Hasil Pencarian  ::  Simpan CSV :: Kembali

"Kebutuhan komputasi dan alokasi space yang besar terkadang menjadikan suatu ma- salah tidak dapat diselesaikan dengan single computer. Arsitektur grid menawarkan solusi komputasi yang tersebar dengan memanfaatkan resource yang ada pada setiap komputer yang terhubung pada jaringan Internet. Dengan adanya konsep komputasitersebar, setiap pihak yang mempunyai resource dapat saling membantu dalam mela- kukan grid computing. Salah satu kesempatan dalam membuat arsitektur grid pada bidang ilmu kompu- ter adalah information retrieval (GridIR). Banyak keuntungan yang dapat ditawarkan grid pada information retrieval, beberapa diantaranya adalah mendistribusikan koleksi dokumen, proses indexing atau query kepada banyak node, dapat digunakan algorit- ma yang kompleks yang mungkin tidak dapat diimplementasikan pada sistem non- grid karena keterbatasan sumber daya, ataupun memberikan tingkat hak akses kontrol kepada pengguna dalam mengakses dokumen. Pengerjaan tugas akhir ini terdiri dari dua bagian. Yang pertama adalah perancang- an dan implementasi GridIR yang dilakukan dengan memakai Globus Toolkit 4. Kedua, diadakan pengujian untuk membandingkan kecepatan pada sistem dengan kuantitas node yang berbeda pada saat memasukkan dokumen dan melakukan query. Selainkecepatan, juga diamati perubahan dokumen yang diterima oleh multiple nodes diban- dingkan dengan single node. Berdasarkan hasil pengujian, sistem dua node berjalan lebih cepat daripada sistemsatu node pada saat memasukkan dokumen dan melakukan query. Akan tetapi, hal ini tidak berlaku bagi sistem tiga node, karena ada node yang kemampuan komputasinya lebih rendah yang mendapat bagian beban komputasi yang kurang lebih sama dengan node lainnya yang kemampuan komputasinya lebih tinggi. Selain itu, dibandingkan dengan perolehan dokumen pada node tunggal, perubahan dokumen yang diterima oleh sistem multiple nodes akan semakin besar seiring dengan penambahan node pada sistem."

"Machine Learning (ML) algorithms have opened up new possibilitiesfor the acquisition and processing of documents in InformationRetrieval (IR) systems. Indeed, it is now possible to automate severallabor-intensive tasks related to documents such as categorization andentity extraction. Consequently, the application of machine learning techniquesfor various large-scale IR tasks has gathered significant researchinterest in both the ML and IR communities. This tutorial provides areference summary of our research in applying machine learning techniquesto diverse tasks in Digital Libraries (DL). Digital library portalsare specialized IR systems that work on collections of documentsrelated to particular domains. We focus on open-access, scientific digitallibraries such as CiteSeerx, which involve several crawling, ranking,content analysis, and metadata extraction tasks. We elaborate on thechallenges involved in these tasks and highlight how machine learningmethods can successfully address these challenges."