Panduan Lengkap Contoh Soal Vector Space Model: Teori, Perhitungan, dan Strategi Analisis

Pendahuluan
Vector Space Model (VSM) adalah salah satu metode populer dalam Information Retrieval (IR) dan pengolahan teks yang digunakan untuk merepresentasikan dokumen dan query sebagai vektor dalam ruang multidimensi. Model ini memungkinkan sistem untuk mengukur kesamaan antara dokumen dan query menggunakan berbagai metrik, salah satunya cosine similarity. Penerapan VSM sangat luas, mulai dari mesin pencari, rekomendasi dokumen, hingga analisis teks dan data mining. Artikel ini akan membahas pengertian VSM, komponen utama, rumus perhitungan, contoh soal beserta jawaban, serta tips strategi analisis agar pembaca dapat memahami dan menerapkan konsep ini dengan efektif.

Baca juga:Kumpulan Contoh Soal Hiperlipidemia Lengkap

Pengertian Vector Space Model
Vector Space Model adalah representasi dokumen sebagai vektor dalam ruang n-dimensi, di mana setiap dimensi merepresentasikan satu term unik dari seluruh koleksi dokumen. Dalam VSM, dokumen diwakili oleh vektor bobot term, yang biasanya dihitung menggunakan TF (Term Frequency), IDF (Inverse Document Frequency), atau kombinasi keduanya sebagai TF-IDF. Model ini memungkinkan perhitungan kesamaan antara dokumen dan query untuk menemukan dokumen paling relevan.

Komponen Utama Vector Space Model

1. Term Frequency (TF): Mengukur seberapa sering suatu term muncul dalam dokumen. TF sering dinormalisasi untuk mengurangi pengaruh dokumen panjang.
2. Inverse Document Frequency (IDF): Mengukur seberapa unik suatu term dalam seluruh koleksi dokumen. Rumus umum: IDF(t) = log(N / df), di mana N adalah jumlah total dokumen, dan df adalah jumlah dokumen yang mengandung term t.
3. Bobot TF-IDF: Kombinasi TF dan IDF untuk memberi bobot pada term, sehingga term umum memiliki bobot rendah dan term unik memiliki bobot tinggi.
4. Cosine Similarity: Metrik yang digunakan untuk mengukur kesamaan antara dokumen dan query. Rumus:
   cos θ = (D · Q) / (||D|| ||Q||), di mana D dan Q adalah vektor dokumen dan query.

Contoh Soal Vektor Space Model Dasar
Misalkan terdapat 3 dokumen:
D1: “Data mining adalah proses menemukan pola”
D2: “Machine learning adalah cabang AI”
D3: “Data mining dan machine learning digunakan dalam AI”

Query Q: “data mining AI”

Langkah 1: Tentukan term unik
Term unik: data, mining, adalah, proses, menemukan, pola, machine, learning, cabang, AI, digunakan, dalam, dan

Langkah 2: Buat matriks TF sederhana

Langkah 3: Hitung cosine similarity antara query Q dan dokumen
Contoh perhitungan untuk D1 dan Q:
D1 · Q = (11) + (11) + (10) + … = 2
||D1|| = sqrt(1²+1²+1²+1²+1²+1²+0+0+0+0+0+0+0) = sqrt(6) ≈ 2.449
||Q|| = sqrt(1²+1²+0+0+…+1²) = sqrt(3) ≈ 1.732
cos θ = 2 / (2.4491.732) ≈ 0.472

D2 · Q = (01)+(01)+(10)+…+(11) = 1
||D2|| = sqrt(0²+0²+1²+1²+1²+1²+…) = sqrt(5) ≈ 2.236
cos θ = 1 / (2.236*1.732) ≈ 0.258

D3 · Q = (11)+(11)+(00)+…+(11) = 3
||D3|| = sqrt(1²+1²+0+0+…+1²) = sqrt(7) ≈ 2.645
cos θ = 3 / (2.645*1.732) ≈ 0.654

Kesimpulan: Dokumen D3 paling relevan dengan query Q karena memiliki nilai cosine similarity tertinggi 0.654

Contoh Soal Vektor Space Model dengan TF-IDF
Misalkan koleksi dokumen:
D1: “sains data”
D2: “data mining”
D3: “machine learning data”

Query Q: “data machine”

Langkah 1: Tentukan DF dan IDF
DF(data) = 3, DF(machine) = 1, DF(sains) = 1, DF(mining) = 1, DF(learning) = 1
IDF(data) = log(3/3)=0, IDF(machine) = log(3/1)=0.477, IDF(sains)=log(3/1)=0.477

Langkah 2: Hitung bobot TF-IDF
Contoh D3: TF(machine)=1, IDF(machine)=0.477 → bobot=0.477; TF(data)=1, IDF(data)=0 → bobot=0

Langkah 3: Buat vektor dokumen dan query
D1: [data=0, sains=0.477, mining=0, machine=0, learning=0]
D2: [data=0, sains=0, mining=0.477, machine=0, learning=0]
D3: [data=0, sains=0, mining=0, machine=0.477, learning=0.477]
Q: [data=0, sains=0, mining=0, machine=0.477, learning=0]

Langkah 4: Hitung cosine similarity
D1 · Q = 0 → cos θ = 0
D2 · Q = 0 → cos θ = 0
D3 · Q = 0.477*0.477 ≈ 0.227 → cos θ = 0.227

Kesimpulan: D3 paling relevan karena bobot TF-IDF menekankan term unik

Tips Mengerjakan Soal Vector Space Model

1. Tentukan term unik dari seluruh dokumen dan query
2. Hitung TF dan IDF, jika menggunakan TF-IDF
3. Susun matriks vektor dokumen dan query
4. Gunakan rumus cosine similarity untuk menentukan relevansi
5. Urutkan dokumen berdasarkan nilai cosine similarity tertinggi
6. Gunakan spreadsheet atau Python untuk perhitungan banyak dokumen

Baca juga:Universitas Teknokrat Indonesia Bekali Guru SMA Muhammadiyah 1 Kotaagung Pemanfaatan AI dalam Perangkat Ajar

Kesimpulan
Vector Space Model adalah metode efektif dalam representasi dokumen dan query sebagai vektor untuk keperluan Information Retrieval. Dengan memahami cara membuat vektor, menghitung bobot TF-IDF, dan menghitung cosine similarity, kita dapat menilai relevansi dokumen secara objektif. Latihan soal, baik sederhana maupun dengan TF-IDF, akan membantu siswa dan praktisi menguasai teknik ini untuk aplikasi nyata seperti mesin pencari, rekomendasi, dan analisis teks. Menguasai VSM memberikan dasar yang kuat dalam pengolahan informasi dan pengambilan keputusan berbasis data teks.

Penulis: Maharani Noeralifa