KELOMPOK: V

NAMA : ROFIQ HIDAYAT (080403010029)
REKSO WIDODO (080403010027)
LUKMAN HAKIM (080403010026)
FAK/JUR : FTI/TI
KEL : 5

PEMBUATAN APLIKASI BERGERAK TEMU ULANG FILE ELEKTRONIK
BERBAHASA INDONESIA DENGAN MEMANFAATKAN JAVA CLDC
Andre Kurniawan1, Hapnes Toba2
Fakultas Teknologi Informasi, Universitas Kristen Maranatha
Jl. Suria Sumantri 65 Bandung 40164; Telp. (022)2012186 ext. 296
E-mail: hackersmooth88@gmail.com ; hapnestoba@yahoo.com

ABSTRACT
Smart Download is a mobile application that dedicated to search electronic documents in Indonesian (Bahasa Indonesia) throguh the Web. This application use the Advanced URL Google (spyder) to retrieve the documents from the Internet, that further will be enchanced with Porter Stemmer and the combination of TF/IDF and vector space algorithm. The documents that need to be downloaded can be breakdown in partial parts. The implementation of the application used J2ME CLDC. The application is evaluated in a classroom
situation, the result shows that search is improved after the enhancement process.
Keywords: Smart Download, Spyder Google, Porter Stemmer, Vector Space Algorithm.

1. LATAR BELAKANG DAN RUMUSAN MASALAH
Masalah yang sering muncul dalam dunia Internet adalah bagaimana melakukan pencarian informasi yang tepat dan bagaimana strategi bdownload terhadap file yang diinginkan secara efektif. Mesin pencarian seperti Yahoo dan Google
memang dapat memberikan kandidat himpunan dokumen, lihat Lewis (2008), namun jika pencari informasi memerlukan konteks atau definisi yang terkait dengan bahasa tertentu, maka pencari informasi harus membuka dokumen yang ditawarkan satu per satu. Tentu akan sangat memerlukan waktu yang lama jika seandainya dokumen yang diinginkan ternyata ada pada urutan rendah. Masalah lain muncul jika pencari informasi ingin melakukan download dari perangkat handphone. Sampai saat ini penggunaan terhadap perangkat lunak untuk melakukan download khusus seperti flashget masih jarang terutama di handphone. Biasanya pengguna handphone akan menggunakan browser Opera Mini. Browser Opera Mini hanya melakukan download secara sequentional dan tidak dapat melakukan resume dan download part.
Di dalam makalah ini akan diuraikan sebuah solusi untuk melakukan proses pencarian dokumen khususnya dalam konteks Bahasa Indonesia, dan
bagaimana melakukan untuk melakukan download file tersebut secara efektif melalui perangkat handphone. Konsep yang akan digunakan adalah
kombinasi antara advanced search Google (Spyder Google), penerapanan text mining untuk membantu pemilihan dokumen yang sesuai dengan bahasa
Indonesia, dan download manager dengan menggunakan teknik download parsial. Aplikasi yang akan dibuat dengan menggunakan J2ME CLDC sehingga dapat dioperasikan dalam perangkat handphone.
2. LANDASAN TEORI

2.1 Teknologi J2ME
Teknologi Java yang pada awalnya dikenal untuk aplikasi pada desktop (J2SE) ataupun pada application server (J2EE), kini hadir dengan
teknologi terbarunya, J2ME™ Platform, untuk pembangunan aplikasi pada mobile device seperti mobile phone dan PDA. Teknologi dalam J2ME
dibedakan berdasarkan configuration dan profile. Configuration mendefinisikan minimum Java Libraries dan kapabilitas yang dimiliki oleh para
developer J2ME. Artinya antara mobile device yang Java enabled maka akan ditemukan configuration yang sama. Bila dianalogikan dengan sekelompok
mobil maka sebuah mobil dengan mobil lainnya memiliki kesamaan, misalnya mempunyai roda, kaca spion, spedo meter, dll. Jadi configuration hanyalah
mengatur hal-hal yang berkaitan dengan “kesamaan” bukan mengatur hal-hal yang “membedakan”, sehingga configuration memastikan portabilitas
antar devices. Aplikasi Smart Download yang dikembangkan menggunakan configuration CDLC, yang dapat Digunakan pada perangkat handheld
(handphone, PDA, two way pager) dengan memori terbatas (160-512 kB), dan prosesor 16 atau 32 bit, lihat Wirya Santika (2009).

2.2 Advanced URL Google
Advanced URL Google dibuat untuk memaksimal pencarian terhadap data yang akan ditemukan oleh pengguna. Dengan memiliki pemahaman yang baik terhadap Advanced URL ini diharapkan pencarian yang akan dilakukan oleh
Google dapat lebih spesifik, lihat Calishain (2003). Berikut ini adalah macam-macam operator yang dapat dikombinasikan, dan digunakan dalam
aplikasi Smart Download, lihat Google (2009):
• intitle: Untuk mencari kata-kata dari judul suatu halaman web, misalnya Keyword: intitle:“java”
Seminar Nasional Aplikasi Teknologi Informasi 2009 (SNATI 2009) ISSN:1907-5022
Yogyakarta, 20 Juni 2009
F-6
• inurl: Digunakan untuk mencari semua URL yang berisi kata-kata tertentu, misalnya Keyword:
inurl:”java”

• filetype: Jika kita mencari jenis file tertentu yang berisi informasi yang anda inginkan kita bias menggunakan operator ini, misalnya Keyword:"hacker" filetype:pdf.Dengan menggunakan kombinasi operator yang tepat maka pengguna akan mendapatkan informasi yang lebih relevan sesuai kata kunci yang
diinginkan.

2.3 Text Mining
Salah satu bagian dari Data Mining yang cukup menarik adalah Text Mining. Metode ini digunakan untuk menggali informasi dari data - data dalam
bentuk teks seperti buku, makalah, paper, dan lain sebagainya. Yang membedakan data mining dengan text mining adalah proses analisis terhadap suatu
data. Data Mining atau KDD (Knowledge Discovery in Databases) adalah proses untuk menemukan pengetahuan dari sejumlah besar data yang disimpan
baik di dalam databases, data warehouses atau tempat penyimpanan informasi lainnya. Sedangkan untuk text mining sering disebut dengan Keyword-
Based Association Analysis. Keyword-Based\ Association Analysis merupakan sebuah analisa yang mengumpulkan keywords atau terms (istilah)
yang sering muncul secara bersamaan dan kemudian menemukan hubungan asosiasi dan korelasi di antara keywords atau terms itu, lihat Tan (1999).
Secara garis besar dalam melakukan implementasi text mining terdiri dari 2 tahap besar yaitu pre-processing dan processing. Tahap preprocessing adalah tahap di mana aplikasi melakukan seleksi data yang akan diproses pada setiap dokumen. Setiap kata akan dipecah-pecah menjadi struktur bagian kecil yang nantinya akan
mempunyai makna sempit. Ada beberapa hal yang perlu dilakukan pada tahap pre-processing ini, yaitu: Tokenizing, Filtering, dan Stemming. Tujuan
dilakukan pre-processing adalah memilih setiap kata dari dokumen dan merubahnya menjadi kata dasar yang memiliki arti sempit. Kemudian tahap yang
kedua adalah melakukan processing. Tahap ini merupakan tahap inti di mana setiap kata akan diolah dengan algoritma tertentu sehingga mempunyai bobot terhadap setiap dokumen yang akan diseleksi. Tahap ini sering disebut juga dengan
Analizing. Dokumen dalam bahasa Indonesia mempunyai keunikan tersendiri, karena kata - kata dalam bahasa Indonesia dapat berubah bentuk saat mendapatkan
imbuhan. Untuk itu diperlukan proses stemming, yaitu proses mengembalikan kata ke bentuk dasar. Pada penelitian ini diterapkan algoritma Porter
Stemmer for Bahasa Indonesia, yang dikembangkan oleh Tala (2003).
Dalam tahap processing, dokumen akan dianalisa oleh aplikasi. Secara umum terdapat dua jenis metode yaitu metode yang tidak melakukan
perhitungan bobot kalimat dan yang melakukan perhitungan bobot kalimat. Metode yang tidak menghitung bobot kalimat hanya mengambil
beberapa kalimat awal dan akhir. Metode-metode yang menghitung bobot kalimat menggunakan bobot term (kata maupun pasangan kata) dari setiap term
yang terdapat dalam kalimat tersebut. Bobot term diperoleh dengan melakukan
perhitungan sederhana terhadap Term Frequency dan Inverse Document Frequency dari term tersebut yaitu TF/IDF. Dengan menggunakan title factor,
bobot dari sebuah term dapat ditingkatkan jika term tersebut terdapat dalam judul. Penerapan terhadap dokumen akan dilakukan dengan menggunakan
kombinasi dari Algoritma TF/IDF dan Vector Space.

2.4 Algoritma TF/IDF
Formula yang digunakan adalah menghitung bobot (W) masing-masing dokumen terhadap kata kunci, lihat Mooney (2006):
Wd,t = tfd,t * IDFt (1)
dimana:
d = dokumen ke –d
t = kata ke – t dari kata kunci
IDF = hasil inversi dari frekuensi kata dalam\dokumen, dihitung dengan mengambil nilai logaritma dari perbandingan antara jumlah dokumen yang dihasilkan dengan jumlah total frekuensi kata ke – t dari kata kunci dalam dokumen
W = bobot dokumen ke – d terhadap kata ke – t
Setelah bobot (W) masing-masing dokumen diketahui, maka dilakukan proses sorting dimana semakin besar nilai W maka semakin besar tingkat similaritas dokumen terhadap kata yang dicari.

2.5 Algoritma Vector Space
Algoritma ini merupakan algoritma kombinasi yang dilakukan setelah dokumen dihitung bobotnya dengan menggunakan algoritma TF/IDF. Algoritma
ini diterapkan ketika bobot dari perhitungan TF/IDF memiliki derajat bobot yang sama antar dokumen. Algoritma ini akan mengatasi bobot yang sama
untuk setiap dokumen yang akan dibandingkan. Ide dari metode ini adalah dengan menghitung nilai cosinus sudut dari dua vector yaitu W dari tiap dokumen dan W dari kata kunci, lihat Mooney,(2006).

2.6 Download Parsial
Download Parsial adalah teknik download dengan mengirimkan request sebagian file dari server. Setiap server memiliki protokol yang mengatur atau mengijinkan terjadinya hubungan, komunikasi, dan perpindahan data antara dua atau lebih titik komputer. Ketika ingin meminta informasi dari protokol maka aplikasi harus mengirimkan request di mana ketika server melakukan respons maka server akan mengirimkan informasi berupa respons code dan juga stream bytes, lihat Shackelford (2006).

3. PERANCANGAN APLIKASI
Dalam bagian ini disampaikan perancangan
mekanisme pencarian dokumen, text-mining sampai
dengan proses download-nya.

3.1 Mekanisme Pencarian Dokumen
Gambar 1 memperlihatkan mekanisme pencarian
dokumen.



1. Aplikasi akan mengirimkan Header HTML URL di mana aplikasi melakukan ini dengan membuka port 80. Dalam hal ini aplikasi harus terhubung dengan Internet.
2. Kata kunci akan dikirimkan ke Google dengan melakukan kombinasi.
3 . Google akan meresponse HTML REQUEST ini dan mengecek ke dalam database-nya
4. Halaman yang diminta berhasil didapatkan dan Google akan mengirimkan hasilnya.
5. Aplikasi akan menangkap Tag HTML. Aplikasi akan menggunakan menyimpan informasi ini ke dalam format XML. Kemudian data
akan diolah sesuai dengan kategori. Pada tahap ini aplikasi belum melakukan mining hanya melakukan perbandingan hit point.

3.2 Mekanisme Text-Mining
Gambar 2 memperlihatkan mekanisme textmining.
1. Data yang sudah ditampilkan ketika dilakukan pencarian file pada fitur sebelumnya. Data akan dikelola dalam bentuk XML dan siap untuk dipilih di
dalam menu search.
2. Data yang sudah dipilih dari Choice Group yang ada pada menu search ini akan di-download dalam bentuk HTML. Hal ini dilakukan agar data dapat di-parsing dengan baik oleh aplikasi dan tidak membuang bandwith karena berukuran kecil, dalam bentuk XML.
3. Data yang telah diambil akan diubah kembali menjadi HTML dan siap untuk diolah oleh aplikasi.
4. Data yang sudah disimpan ke dalam aplikasi maka akan segera diolah di
dalam modul mining. Data tersebut akan melewati 4 proses text mining
antara lain, yaitu:
• Tokenizing
• Filtering
• Stemming
• Analizing yang menerapkan algoritma TF/IDF dan Vector Space
5. Aplikasi akan melakukan link associate di mana akan menjadi setiap log yang sudah dilakukan oleh pengguna. Hal ini dilakukan untuk mendapatkan pencarian yang mendekati keinginan user.















3.3 Mekanisme Download Parsial
Gambar 3 memperlihatkan rancangan mekanisme untuk download file:
1. Aplikasi akan melakukan load terlebih dahulu. Data setiap informasi mengenai file akan disimpan di dalam Record Store
2. Setelah data berhasil di-load maka aplikasi akan melakukan thread sesuai dengan pembagian job yang sudah diatur dengan melakukan download
berdasarkan ukuran byte. Kemudian setiap thread akan melakukan koneksi terhadap server tujuan
3. Setiap job akan mengirimkan head yang berbeda-beda. Dan pada tahap ini aplikasi dapat meminta server melakukan request file secara
parsial. Tahap ini juga menentukan download manager untuk melakukan download file secara parsial.















4. Apabila protokol server mendukung metode partial, maka server akan mengirimkan file sesuai dengan byte yang diminta oleh user.
5. Setiap byte yang akan diterima akan disimpan terlebih dahulu dalam bentuk stream. Kemudian aplikasi akan melakukan pengecekan terhadap modul download.
6. Setiap kali melakukan download maka aplikasi akan mengecek status job apakah mati atau tidak. Hal ini untuk mengantisipasi apabila terjadi pause job.
7. Aplikasi akan memindahkan byte yang sudah disimpan ke dalam file handphone. Kemudian akan melakukan update terhadap data file.

3.4 Diagram Kelas
Jumlah keseluruhan kelas yang membentuk aplikasi Smart Download ini adalah 31, dapat dilihat pada Lampiran 1. Dalam gambar diagram kelas
terdapat dua package yang dilingkari besar. Hal ini untuk menunjukkan bahwa kelas tersebut mengambil beberapa library tambahan yang diambil dari sourgeforge.net, yaitu:
1. FTP
MEFTPClient, MEFTPClientController, dan MEFTPClientDataConnection.
2. XML
XML, ParseEvent, XMLParser, dan AbstractXMLParser
Setiap pencatatan konfigurasi dan informasi mengenai file akan dicatat ke dalam internal memori menggunakan Kelas RecordData. Kelas
GoDownload adalah kelas yang membuat objek untuk menjalankan download manager. Dari kelas inilah implementasi multithreading akan dilakukan
pada saat pemecahan file. Kelas Abstract Search akan menangani koneksi
ke dalam Google dan melakukan download terhadap file yang akan diproses. Proses mining akan dilakukan oleh kelas GoMining. Kelas ini juga akan
melakukan implementasi dan sinkronisasi antar kelas ParseXML dan package mining. Untuk kelas seperti HTTP, FTP, MemoriMonitor, dan lain lain
akan mendukung proses pada masing–masing modul secara fungsionalitas yang spesifik tugas tertentu.

4. HASIL IMPLEMENTASI

4.1 Pencarian Dokumen
Pada modul ini dilakukan dua macam pengolahan data dalam melakukan pencarian file yaitu:

o File Html/Page Pada tahap ini file html yang didapatkan dari Google akan disimpan ke dalam XML. Data yang akan dikirimkan ke dalam URL
Google akan dikombinasikan dengan kata kunci khusus Google. Banyaknya informasi page yang akan di-download tergantung dari pengguna yang akan melakukan set pada menu setting.
o Hit point Tahap ini merupakan tahap lanjutan dari tahap pengambilan informasi dari Google. Tahap ini belum melakukan implementasi
mining tetapi melakukan filtering data dengan melakukan perbandingan terhadap 3 himpunan hasil pencarian dari Google dengan operator:
filetype:doc,inurl:,intitle:.
Tiga hasil ini akan digunakan untuk melakukan perbandingan. Tahap ini akan melakukan seleksi terhadap halaman Google yang telah dikelola di
dalam XML. Kemudian akan membandingkan setiap link yang muncul apakah ada ketika melakukan kombinasi. Setiap URL yang ada di halaman Google akan diberikan nilai hit sesuai dengan urutannya.
Contoh: untuk sebuah dokumen D1, diperoleh hasil untuk setiap operator di atas menghasilkan:
MAXPAGE (jumlah halaman pencarian maksimum) = 20
filetype: Posisi 8, nilai: [MAXPAGE] –8
inurl: Posisi 3, nilai: [MAXPAGE] – 3
intype: Posisi 5, nilai: [MAXPAGE] – 5
Total Hitpoint D1: [(20-8) + (20-3) + (20-5)] /
[MAXPAGE*3] 73.3%
Hit point dari setiap dokumen yang akan ditampilkan tergantung dari presentase minimal yang diinginkan oleh pengguna. Apabila pengguna mengisi presentase 70% maka contoh D1 di atas akan keluar pada halaman hasil. Setelah data sudah
didapatkan maka aplikasi baru dapat melakukan mining terhadap data yang akan diseleksi. Pengguna tinggal memilih dengan melakukan check pada form.
Gambar 4, memberikan hasil implementasi untuk pencarian file sebelum dilakukan text-mining.

4.2 Text-Mining
Di bawah diberikan contoh dokumen yang akan diseleksi dan perhitungan dalam matriks pengolahan:
Kata Kunci(kk) = pengetahuan logistik
Hasil:
Dokumen 1 (D1) = Manajemen transaksi logistik
Dokumen 2 (D2) = Pengetahuan antar individu
Dokumen 3 (D3) = Dalam manajemen pengetahuanterdapat transfer pengetahuan logistik.
Jumlah dokumen ditemukan (D)=3














Setelah melalui proses filtering dan stemming, maka kata “antar” pada dokumen kedua serta kata “dalam” dan “terdapat” pada dokumen ketiga
dihapus. Tahap pembuangan ini akan dilakukan pada proses filtering menggunakan algoritma stoplist (membuang kata yang tidak penting).
Dari hasil pada Gambar 5, yang diimplementasikan dengan matriks 2*2, akan dapat dihitung bobot W, tapi masalah yang terjadi adalah nilai bobot untuk D1 dan D2 adalah sama. Untuk mengatasi hal ini digunakan algoritma Vector – Space. Ide dari metode ini adalah dengan menghitung nilai kosinus sudut dari dua vektor, yaitu: W dari tiap dokumen dan W dari kata kunci. Kemudian dilakukan perhitungan lagi ke dalam matriks 2*2, sebagaimana hasilnya terlihat dalam Gambar 6.



















Setelah mendapatkan nilai maka digunakan persamaan 1, misalnya untuk D3:
cos(D3)=sum(kk*D3)/[sqrt(kk)*sqrt(D3))]
= 0.093/[0.249 * 0.643]
= 0.581












Dari hasil perhitungan di atas, maka akan
didapatkan:




Untuk memaksimalkan algoritma TF/IDF dan Vector Space maka diterapkan derajat asosiasi. Derajat asosiasi adalah proses pencarian kata dari tiap dokumen yang memiliki relevansi terhadap kata kunci. Jadi setiap kata kunci yang akan dimasukkan sistem akan dicatatkan history-nya ke dalam HashTable yang disimpan di dalam RMS Chakrabarti (2003). Kemudian apabila ada kata kunci yang akan dicari memiliki relevansi maka kata yang ada di dalam HashTable akan diikutsertakan di dalam perhitungan bobot TF/IDF. Apabila pengguna melakukan pencarian dengan kata kunci “hacker” maka aplikasi akan mencatat kata–kata apa saja yang masuk ke dalam perhitungan bobot, lihat Dhillon (2001).
Contoh:
LOG 1:
Kata yang ikut perhitungan bobot TF/IDF
hack,intruder
LOG 2:
Kata yang ikut perhitungan bobot TF/IDF
nmap, scan, Ethical
Maka Aplikasi akan merubah menjadi: nmap, scan, Ethical, hack, intruder
Jadi kata yang memiliki kesamaan kata kunci akan diikutsertakan. Hal ini akan menjadikan penambahan bobot sehingga dokumen dapat benar – benar diseleksi karena perbendaharaannya yang diatur pada derajat asosiasi.

4.3 Download Manager
Gambar 7 menunjukkan proses kerja Byte Streaming dan juga Prokotol untuk pemecahan file. Setiap informasi akan dicatat ke dalam RMS. Gambaran hasil tercapai dapat dilihat pada Gambar 8.
















5. EVALUASI
Evaluasi dilakukan terhadap 28 responden mahasiswa kelas Basis Data G Teknik Informatika UK. Maranatha semester ganjil 2008/09, untuk melihat performa aplikasi Smart Download. Dalam pengujian Black Box yang diuji adalah
menu utama, yaitu: Menu Home, Menu Search, Menu Download, Menu Bookmarks, dan Menu Option. Uji kasus dibuat dengan tiga macam skenario yang berbeda. Skenario yang digunakan adalah:
1. Fungsionalitas Advanced Search
Pada tahap ini pengujian dilakukan dengan melakukan pencarian terhadap kata kunci: antivirus, mp3, avi, ebook, dan free program dengan banyak dokumen 30. Gambar 9 menunjukkan hasilnya. Hasil Google akan dibandingkan dengan hasil pencarian dari aplikasi dengan melihat berapa halaman yang berubah posisi menjadi lebih baik. Terlihat bahwa dengan penggunaan operator Advanced Search, hasil pencarian menunjukkan jumlah dokumen yang spesifik terhadap kata kunci.
2. Fungsionalitas Download Manager Terhadap Protokol
Pengujian dilakukan pada emulator dan gadget (handphone sungguhan). Dari segi fungsionalitas aplikasi dapat berjalan dengan baik. Hanya untuk melakukan penulisan dan koneksi untuk gadget, terhalang oleh certificate yang tertanam di dalam handphone, baik untuk merek Sony Erickson maupun Nokia yang berbasis Java .












Dengan certificate yang asli, aplikasi akan mempunyai otoritas terhadap security internal. Untuk mencoba fungsionalitas dari Download Manager, maka melakukan percobaan dengan melakukan akses dengan protocol HTTP, HTTPS, dan FTP.
















Pada Gambar 10, terlihat bahwa performa pemecahan file dengan byte stream lebih baik, dan terbukti dapat digunakan untuk mengambil dokumen dari server dengan protokol yang berbeda-beda.

3. Fungsionalitas Mining dengan dokumen yang beragam
Untuk melakukan fungsionlitas dari text mining ini maka pengujian dilakukan ke dalam 2 skenario yaitu:
o Perbandingan dengan Google
Skenario yang digunakan adalah dengan melakukan seleksi terhadap 30 dokumen. Kata kunci yang digunakan adalah java, hacker, mining, spyder, dan OOP.
Pada Gambar 11, terlihat bahwa terjadi perubahan posisi (relevansi) yang terjadi, setelah dilakukan text-mining.
o Relevansi yang terjadi dengan banyak dokumen
Skenario yang dibuat adalah dengan mengunakan kata kunci seperti pada skenario
sebelumnya kemudian mencoba melakukan uji coba dengan seleksi terhadap dokumen non- Indonesia.

















Pada Gambar 12, terlihat bahwa relevansi hasil text-mining dengan kata kunci tidak dipengaruhi oleh banyaknya dokumen yang diseleksi.
















RESPON :
Kesimpulan yang dapat ditarik dari hasil evaluasiyaitu secara umum aplikasi ini menghasilkan nilai guna yang cukup tinggi. Aplikasi ini memberikan solusi pada masalah pencarian file berbahasa Indonesia dan juga dapat melakukan download file.
pada handphone. Fitur mining yang diberikan oleh aplikasi dianggap berguna oleh pengguna untuk membantu melakukan pemilihan terhadap data yang
akan diambil. Presentase ketepatan text-mining dapat lebih dimaksimal lagi dengan melakukan seleksi terhadap setiap kata yang ada di dalam dokumen, kemudian dihitung asosiasinya dengan kata kunci.Untuk memperbaiki performa aplikasi, dapat disarankan hal-hal sebagai berikut:
• Penerapan algoritma mining dapat dipindahkan dari handphone ke dalam server dengan menjalankan fasilitas web services yang ada pada Java.
• Penambahan help dan user manual yang digunakan untuk aplikasi.
• Aplikasi dapat melakukan pendataan user siapa saja yang sudah melakukan pencarian dokumen dan mencatat setiap log sesuai kebutuhan user, sehingga dapat membentuk collaborative searching.





















DAFTAR PUSTAKA :

Chakrabarti, Soumen, 2003, Mining the Web:
Discovering knowledge from hypertext data.
San Francisco: Morgan Kaufman
Calishain, Tara. 2003. Google Hack.O’Reilly
Dhillon, Inderjit S., Dharmendra S. Modha, 2001,
Concept Decompositions for Large Sparse Text
Data using Clustering, Machine Learning, vol.
42, no. 1, pp. 143-175, January 2001
Google, Advanced Google Search Operators,
Retrieved February 2nd, 2009 from
http://www.google.com/help/operators.html
Mooney, Raymond. 2006. Machine Learning Text
Categorization. Austin: University of Texas
Tala, Fadillah Z., 2003, A Study of Stemming
Effects on Information Retrieval in Bahasa
Indonesia. Institute for Logic, Language and
Computation Universeit Van Amsterdam
Tan, A., 1999, Text mining: The state of the art and
the challenges, In Proceedings of the Pacific
Asia Conference on Knowledge Discovery and
Data mining, PAKDD'99 workshop on
Knowledge Discovery from Advanced
Databases.p.65-70
Porter, M. F. ,1980, An algorithm for suffix
stripping, Program 14(3), p. 130-137
Lewis, Edward. 2008. Top 10 Search Engine.
Retrieved January 5th, 2008 from
http://www.seoconsultants.com/search engines/
Wirya Santika, Faisal. 2009. Membangun Wireless
Application Menggunakan Teknologi J2ME.
Retrieved January 5th, 2009 from
http://ilmukomputer.org/2008/11/25/membang
un-wireless-application-menggunakanteknologi-
j2me/



Pengarang : Andre Kurniawan dan Hapnes Toba
E-mail : hackersmooth88@gmail.com dan hapnestoba@yahoo.com
Situs : http://www.seoconsultants.com/search
http://ilmukomputer.org/