Dasar Matematika Pengindeksan Semantik Laten – The mathematical basis of semantik latent indexing is an operation called dekomposisi nilai singular (SVD). SVD decomposes matriks of large size to three small matriks in a way to find latent relationships among words and documents. In LSI, these matriks are istilah-dokumen matriks. A column represents a word and a row a document and the value is the frequency of the word in the document.
Dasar Matematika Pengindeksan Semantik Laten
Mechanism of dekomposisi nilai singular
liveweek – Singular value decomposition menguraikan besar matriks ini kepada tiga matriks yang lebih kecil:
U (istilah): matriks yang memuat istilah dan korelasinya dengan konsep laten
Σ (nilai singular): matriks diagonal yang menggambarkan kuat setiap konsep laten
V (dokumen): matriks yang memuat dokumen dan korelasinya dengan konsep laten
Melalui proses ini, LSI mengubah data dokumen istilah mentah menjadi ruang yang lebih abstrak. Hal ini memungkinkannya untuk mendeteksi hubungan antara istilah yang tidak terhubung langsung dalam data asli.
Berikut contoh mudah tentang bagaimana hal ini mungkin terlihat. Bayangkan kita memiliki tiga dokumen:
Dokumen 1: “Kucing bermain dengan benang”
Dokumen 2: “Anjing mengejar kucing”
Dokumen 3: “Kucing tidur di sofa”
Terlebih dahulu, kami membangun matriks istilah-dokumen dengan istilah (kata) sebagai baris dan dokumen sebagai kolom. Matriks ini mencatat berapa kali istilah terjadi dalam sebuah dokumen.
Dengan singular value decomposition (SVD), matriks dibedah menjadi tiga matriks yang lebih kecil. Hal ini dapat memecahkan keterhubungan tersembunyi antara kata dan dokumen.
Baca Juga : 6 SEO Tactics Brilliant yang Wajib Kamu Coba
Jika seseorang mencari “yarn,” LSI dapat mengenali bahwa dalam Dokumen 1, “yarn” dan “cat” muncul bersamaan. Jadi, meskipun dokumen lain hanya menyebutkan “cat,” LSI memahami ada hubungan antara kedua istilah tersebut.
Dalam istilah yang lebih sederhana, SVD membantu LSI mendeteksi hubungan antara kata-kata dan dokumen, bahkan jika istilah yang tepat tidak selalu cocok.
Ini adalah seperti menemukan topik tersembunyi yang memhubungkan kata dan ide serupa pada beberapa dokumen, menjadikan hasil pencarian lebih relevan dan kontekstual.
Langkah ini memungkinkan pemahaman yang lebih baik tentang istilah terkait (seperti “anjing” dan “kucing”) dan bagaimana dokumen terkait dengan topik lebih luas.
Kuatnya pengindeksan semantik tersembunyi ada pada penemuan hubungan semantik tersembunyi di data. Pengindeksan ini melampaui pencocokan kata kunci sederhana untuk mengekspos pola makna.
LSI sub-phrase kata-kata yang semantiknya sepadan dengan menganalisis bagaimana istilah terjadi bersama-sama di dalam banyak dokumen, walaupun istilah tersebut bukan sinonim secara langsung. Ini memungkinkan sistem lebih mengerti konteks istilah dan mengambil dokumen yang secara konseptual terkait dengan kueri, bahkan tanpa kecocokan kata kunci yang tepat.
Misalnya, mesin pencari yang menggunakan LSI dapat menyimpulkan bahwa seseorang yang mencari “kamera digital” dan mungkin juga ingin melihat dokumen tentang “peralatan fotografi” atau “ulasan kamera”. Hal ini karena LSI mempertimbangkan bagaimana istilah tersebut timbul bersamaan dalam dokumen yang berbeda dan bukannya membagikan setiap kata secara terpisah.
Even though pengindeksan semantik laten matematis is logical and effective in identifying patterns according to the frequency with which each kata-takata pair comes near the front together, pengindeksan semantik laten by itself is ineffectual if it’s delving into covert meaning behind kata-takata they symbolize. This method measures absorption by statistics regardless of context, or more philosophical sense. Ini merupakan metode tersusun dengan aturan dan mengklasifikasikan istilah berdasarkan adanya kesemuanya atau tidaknya ditemukannya dalam dokumen, dan tidak berdasarkan signifikasinya semantis atau relasinya yang masih aktual antarkonsepnya.
Sebagai hasilnya, walaupun LSI bisa mengelompokan istilah-istilah yang berhubungan, LSI tidak seluruhnya mengetahui apa yang sebenarnya dipersonifikasikan oleh istilah-istilah tersebut dalam konteks yang berlainan.
Bagaimana LSI terkait dengan SEO dan mesin pencari kontemporer
On the first few days of the optimasi of search machines, pengindeksan semantik laten were rated as the revolutionary approach for improving how search machines understand contexts and relations among words.
Earlier search machines had been focused on keyword matching.
LSI however promised to overcome the structure semantik latent—hidden patterns in collections of large bodies of text data—for providing more accurate search results even when the term used in a search query isn’t present within the documents to be indexed.
Contohnya, LSI dapat merumuskan bahwa kata “automobile” dan “car” berpenghubung semantik, walaupun terdapat beberapa dokumen yang hanya menggunakan satu saja dan tidak menggunakan istilah lainnya. Lewat dari kesenjangan ini, LSI is making return documents yang akan tidak pernah ditemukan dalam menggunakan keyword search saja.
Mitos kata kunci LSI dalam SEO
Di awal tahun 2000-an, para profesional SEO mulai ber-spekulasi bahwa LSI kata kunci —terminologi yang konseptual terkait kata kunci utama— dapat meningkatkan ranking situs web. Kepercayaannya adalah bahwa mesin pencari menerapkan LSI atau metode yang sama untuk memahami makna di balik web konten. Sebagai konsekuensinya, sebagian besar strategi SEO menitikberatkan pada penyisipan istilah yang terkait dengan asumsi bahwa hal itu akan meningkatkan relevansi sebuah halaman dan membuatnya lebih menarik bagi mesin pencari algoritme.
Namun, metodologi ini berdasarkan pengetahuan salah mengenai proses bagaimana mesin pencari beroperasi melalui informasi. Serta apa saja pun konsep tentang relasi semantik terdapat peran, percaya bahwa mesin pencari menerapkan LSI secara eksklusif tidak benar.
Dengan demikian, meskipun awalnya dijanjikan dan istilah “kata kunci LSI” masih sering dipakai dalam beberapa diskusi SEO, LSI dan kata kunci LSI bukanlah bagian algoritma mesin pencari canggih dan tidak ada sebagai faktor perbedaan peringkat.
Pada tahun 2019, John Mueller, perwakilan Google, mengonfirmasi bahwa kata kunci LSI tidak ada dalam algoritme Google. Ia menjelaskan bahwa meskipun ide menggunakan istilah terkait itu penting, itu bukan karena Google menggunakan LSI.
Dengan berkembangnya teknologi pencarian, terutama melalui perkembangan pembelajaran mesin dan pemrosesan bahasa alami (NLP), mesin pencari seperti Google menjauhi LSI dan lebih memilih cara yang lebih canggih untuk analisis maksud pengguna serta makna balik kueri.
Pada dasarnya, semantik dihargai sangat oleh Google. Mesin pencari era sekarang bergantung pada pendekatan yang sekurang-kurangnya jauh lebih canggih dalam menentukan relevansi semantik seseuatu konten.
Alternatif aplikasi LSI, mesin pencarian menggunakan pemrosesan bahasa alami (NLP) dan model pembelajaran mesin seperti BERT (Bidirectional Encoder Representations from Transformers). Model-model ini membantu mesin pencarian memahami konteks, interkoneksi antara konsep, dan niat pengguna di belakang kueri pencarian.
Apa itu pemrosesan bahasa alami?
Whereas pengindeksan semantik laten is concerned with looking for relationships between words, natural language processing makes it possible for machines to comprehend, examine, and produce human language. NLP is highly crucial in modern-day search machines, helping them to interpret typed words of users and the intent and context behind them. Through comprehension of word nuances, disambiguation, and greater comprehension of user intent, NLP improves overall search experience.
Pemrosesan bahasa alami jauh lebih maju daripada LSI. NLP tidak hanya menganalisis seberapa sering kata-kata muncul bersamaan, tetapi juga memahami sintaksis, semantik, dan konteks. Dengan NLP, mesin pencari dapat:
Menafsirkan maksud pengguna: NLP membantu mesin pencari memahami apa yang sebenarnya diminta pengguna, bahkan jika kata-kata yang mereka gunakan ambigu atau tidak umum
Resolving bahasa ambiguitas: NLP ekstraksi kata-kata seperti “bank” (financial institution) dan “bank” (riverbank) berbeda-beda tergantung pada kata-kata di sekitarnya dan konteksnya
assistant
Mengetahui makna kalimat secara lengkap: NLP mampu mengetahui konteks kalimat secara lengkap meskipun kueri tidak menggunakan kata kunci tepat dari konten yang diindeks
