Menghitung jarak kemiripan benda dalam s

Menghitung jarak kemiripan dalam suatu benda dalam teknologi
Oleh : Derick Iskandar / 2214206710
Jurusan : Telematika ­ CIO

A. Pengukuran kemiripan warna
Pengolahan citra pada masa sekarang mempunyai suatu aplikasi yang sangat luas dalam berbagai
bidang kehidupan antara
ara lain bidang arkeologi, astronomi, biomedis, bidang industri dan
penginderaan jauh yang menggunakan teknologi citra satelit. Segmentasi ini akan mengubah
suatu citra masukan yang kompleks menjadi citra yang lebih sederhana, berdasarkan
peninjauan terhadap komponen citra. Dengan demikian akan memudahkan pengamat citra untuk
melakukan analisis.
Salah satu analisis yang bisa dilakukan adalah dengan mengukur kemiripan warna pada citra.
Bagaimana citra tersebut bisa dikatakan
dika
mirip melalui pendekatan warna. Ada beberapa cara yang
digunakan untuk mengukur kemiripan suatu citra yakni dengan berbagai macam algoritma
clustering. Pengolahan citra pada masa sekarang mempunyai suatu aplikasi yang sangat luas dalam
berbagai bidang kehidupan antara lain bidang arkeologi, astronomi, biomedis, bidang industri dan
penginderaan jauh yang menggunakan teknologi citra satelit. Segmentasi ini akan mengubah
suatu citra masukan yang kompleks menjadi citra yang lebih sederhana, berdasarkan

peninjauan terhadap komponen citra. Dengan demikian akan memudahkan pengamat citra untuk
melakukan analisis.
Beberapa cara untuk mengukur kemiripan :
1. Euclidian Distance
Pengolahan citra pada masa sekarang mempunyai suatu aplikasi yang sangat luas dalam
berbagai bidang kehidupan antara lain bidang arkeologi, astronomi, biomedis, bidang
industri dan penginderaan jauh yang menggunakan teknologi citra satelit. Segmentasi ini
akan mengubah suatu citra masukan yang kompleks menjadi citra yang lebih
sederhana, berdasarkan peninjauan terhadap komponen
ponen citra. Dengan demikian akan
memudahkan pengamat citra untuk melakukan analisis.
Berikut adalah formula Euclidian Distance :

2. Mahalanobis Distance
Pengukuran ini menggunakan matriks varian dari data matriks yang ada. Berikut
erikut formulanya:

Dimana S adalah matiks Covarian. Jika Matriks S adalah matriks identitas, maka jarak
mahalanobis akan menjadi jarak Euclidian.
3. Minkowski metric

Pengukuran ini merupakan
erupakan bentuk umum dari rumus Euclidian distance. B
Berikut adalah
formulanya :

Jika nila p=2, maka pengukuran ini akan mejadi sama dengan Euclidian distance.
Dari ketiga cara diatas, cara pengukuran yang paling sering
s
digunakan adalah jarak Euclidian
Euclidian. Pada
penerapannya, ada 2 pendekatan yang sering digunakan dalam mengukur kemiripan suatu warna
warna.
1. Pengukuran similaritas
warna Semakin kecil nilai similaritas (mendekati 0)
Mengukur tingkat kesamaan antara 2 warna.
maka kedua warna tersebut semakin berbeda. Sebaliknya semakin besar nilai similaritasnya
(mendekati 1) maka warna tersebut akan semakin sama. Salah satu contoh
h metode yang
adalah histogram intersection.
digunakan dalam pengukuran ini adal

Di mana C1(k,m,n)dan C2(k,m,n)merupakan dua bin warna pada posisi yang sama dari
histogram citra C1dan histogram citra C2, K adalah jumlah pembagian
agian luminance, M adalah
jumlah pembagian chrominance dan N adalah jumlah pembagian Hue(warna). Hasil
perhitungan Histogram intersection berkisar 0 ≤D(C1,C2) ≤1.
Dua citra C1dan C2dikatakan mirip, apabila D(C1,C2) mendekati 1, sebaliknya dikatakan tidak
mirip, bila D(C1,C2) mendekati 0.
2. Pengukuran disimilaritas
Berbeda dengan sebelumnya, untuk jenis pengukuran seperti ini adalah kebalikan dari cara
pertama. Jika semakin besar nilai disimilaritasnya, maka semakin besar perbedaannya,
namun jika semakin kecil nilai disimilaritasnya, maka perbedaan tersebut semakin
sema kecil.

bila q = 1 rumus tersebut biasa disebut L1 atau city block distance,, sedang bila q = 2 disebut
Euclidian distance L2.
Hasil perhitungan City Block
lock dan Euclidian Distance berkisar 0 ≤L(C1,C2) ≤1. Dua citra C1dan
C2 dikatakan mirip apabila L(C1,C2) mendekati 0, sebaliknya dikatakan tidak mirip bila L(C1,C2)
mendekati 1.

B. Pengukuran kemiripan pada google
Ketika menggunakan web browser untuk
ntuk berjelajah di dunia maya maka pada kolom address
bar saat mengetikan beberapa huruf/kata, web browser tersebut
tersebut memberikan saran dari apa
pen i untuk men
mencari suatu
yang diketik, atau sama halnya ketika menggunakan mesin pencari
informasi, ketika baru mengetikan beberapa huruf/kata pada kolom pencarian,
pencari
pen ian, mesin pen
tersebut memberikan saran pencar
carian
ian yang terkait dari apa yang diketikan. Ketika memilih
saran tersebut, web browser atau mesin pencari
pen i akan langsung melengkapi kata kunci
pencarian
dipilih
ian sesuai dengan saran yang dipilih.

lenon maka secaraa otomatis google akan
Sebagai contoh ketika kita mengetikkan kata “jon lenon”
mendefinisikannya sebagai “john lenon”. Salah satu fitur yang dimiliki oleh google adalah
autocomplete suggestion.. Fitur ini memudahkan pengguna search engine yang ingin mencari
men
cara tepat apa yg dia cari.i. Lantas bagaimana bisa google melakukan
sesuatu namun tidak mengerti secar
hal tersebut?
Google merupakan salah satu mesin pencari
pen i terbesar di dunia dengan menyimpan jutaan data yang
masuk setiap harinya. Untuk melakukan pencarian
pen ian yang efisien dan tepat google akan
membutuhkan
n sebuah metode tersendiri untuk membangun sistem pencarinya.
pen inya. Salah satu metode
yang digunakan google dalam proses pencarian
pen ian tersebut adalah knowledge graph. Knowledge graph
merupakan knowledge base yang digunakan google untuk meningkatkan hasil pencar
pencariannya dengan
menggunakan semantic search dari berbagai sumber informasi yang dihimpunya.

Cara kerja search engine
Mesin pencarii tersebut berkerja dengan caraa mengambil seluruh konten web yang ada melalui
www. Halaman web tersebut di ambil dengan menggunakan web crawler. Web crawler tersebut
akan mengambil setiap tautan yang ada di dalamnya dan kemudian menentukan indeksnya melalui
judul, subjudul atau metatag yang ada di web tersebut untuk kemudian disimpan
disim an kedalam database
indeks. Google kemudian memanfaatkan database tersebut untuk menampilkan informasi mengenai
halaman web yang dicari.
Semantic search
cari kata kunci,
Semantic search merupakan teknik searching Query yang bertujuan hanya untuk mencar
tetapi juga untuk menentukan makna konstektual dari kata kunci yang digunakan (Graham,2005).
Semantic search bekerja mirip dengan bahasa semantic yang didasarkan pada makna, substansi,
konsep frase yang dicari. Konsep semantic search berasal dari berbagai macam algoritma pencarian
pen
dan metodologi, termasuk keyword to concept
c
mapping, graph pattern dan logika fuzzy.
Word prediction
Google menyebut hal ini dengan autocomplete. Tujuan awal teknik pencarian

pen ian ini adalah untuk
meningkatkan kecepatan mengetik bagi orang­orang
orang orang yang memiliki kekurangan fisik, serta untuk
ian.
membantu untuk mengurangi penekanan tombol keyboard saat melakukan pencarian.

Google melakukan teknik ini didasarkan pada beberapa faktor diantaranya popularitas kata kunci,
serta beberapa kata yang sengaja dihindari seperti kata yang mengandung unsur pornografi,
kekerasan dan pelanggaran hak cipta. Berikut adalah beberapa faktor yang menyebabkan kata kunci
yang dicarii tidak muncul diantaranya :
­
­
­

Kata kunci tidak popular
Kata kunci yang dicari merupakan kata yang baru sehingga membutuhkan beberapa waktu
untuk google mengindeksnya
Kata kunci biasanya disalah artikan sebagai sesuatu hal yang lain, atau ada salah dalam
pemaknaan

(
Distance)
Penghitungan jarak kemiripan google (Google
merupakan ukuran kemiripan semantik yang dihasilkan dari jumlah hits yang dilakuka
dilakukan mesin
pencarii Google untuk sekumpulan kata kunci. Kata kunci dengan arti yang sama atau serupa
semantik nya cenderung lebih tinggi dari pada kata
kata­kata
dalam natural language, kemiripan semantik­nya
yang memiliki arti yang berbeda .
berikut formulaa yang digunakan google untuk mencari
men i kemiripan dalam kategori x dan y.

Dimana M adalah jumlah halaman web yang dicari
di i google, f(x) dan f(y) adalah jumlah hits yang
masing istilah pencarian
web yang
dihasilkan untuk masing­masing
pen ian x dan y, f(x,y) adalah jumlah halaman we
mengandung istilah x dan y.

Fitur Google Autocomplete Suggestion :
1. Pencarian saran/suggestion
suggestion berdasarkan pencarian nyata
Saran ini adalah model pencarian
pen
yang diberikan google berdasarkan dari pen
pencarian yang
sering dilakukan oleh orang lain. Misaln
Misalnya
ya ketika kita mengetik kata “radio”, maka dalam
search engine google akan langsung memberikan masukan berupa kata yang sering di
dicari
orang.

Gambar 1. Hasil pencarian google.co.id berdasarkan pencarian
ian nyata

Seperti contoh diatas, maka ketika saya melak
melakukan
ukan pengetikan dengan kata radio, maka

orang yakni radio online.
online
google akan memunculkan sebuah saran kata yang sering dicari
di
suggestion berdasarkan lokasi dan bahasa
2. Pencarian saran/suggestion
Masih dengan kata yang sama yakni radio, pencarian disini yang dimaksud adalah pen
pencarian
yang berdasarkan lokasi dan bahasa yang berbeda. Hasil sebelumnya saya menggunakan
domain google.co.id, bagaimana dengan domain google.co.jp atau google.co.uk, apakah
menghasilkan hasil yang sama?

Gambar 2. Hasil pencarian
pen
kata yang samaa dengan domain google.co.jp
Dari kata yang sama, ternyata bisa memberikan suggestion yang berbeda untuk tiap
wilayahnya. dengan demikian page rank yang dilakukan google untuk melakukan indexing
kata, tidak hanya dilakukan berdasarkan semantic kata saja, namun juga berdasarkan
wilayah. Bagaimana jika menggunakan bahasa yang berbeda? Apakah memberikan hasil
pencarian yang sama?

Gambar 3. Hasil pencar
carian dengan bahasa indonesia dengan domain google.co.id
Berikutnya kita akan mencoba melakukan pen
rdasarkan domain yang berbeda
pencarian berdasarkan
yakni dengan domain google.co.uk.

Gambar 4. Hasil pencarian
pen ian dengan bahasa inggris dengan domain google.co.uk

Ternyata dari kata yang bermakna sama dengan bahasa yang berbeda dapat menghasilkan
hasil pencarian
berbeda
tergantung domain pencarian
ian yang berbeda­beda
ian yang digunakan. Dari dua
percobaan di atas dapat diketahui bahwa pencarian
pen ian google di dasarkan pula pada bahasa
dan domain wilayah sehingga hasil yang dikeluarkan google terkadang berbeda.
3. Spelling correction// pembenaran ejaan
ej
secaraa langsung memberikan saran sesuai
Fitur ini yang menurut saya unik, karena google se
dengan kata/nama yang sesungguhnya. Misalkan saya ingin mencari
men i seorang penyanyi yang
bernama john lenon, namun karena saya tidak tahu nama sesungguhnya sayapun
uliskan dengan kata “jon lenon”, maka secara
menuliskan
se a otomatis google akan memberikan
suggestion kepada anda bahwa nama yang dimaksud adalah john lenon.

Gambar 5. Autospelling pada google terkait penggunaan nama orang terkenal
Begitupula saat kita salah menuliskan
menulisk nama Negara kita Indonesia, secaraa otomatis google
aka membenarkan ejaan tersebut.

Gambar 6. Autospelling pada google terkait salah tulis nama negara

Semantic search pada google
Google dalam prosesnya menggunakan 2 faktor dasar untuk menilai seberap
seberapa penting da
relevansinya setiap halaman web sebelum memberikan peringkat kepada halaman web tersebut.
faktor tersebut adalah :
1. Peringkat halaman (mengukur popularitas dengan menggunakan backlink)

2. Relevansi (menganalisis dengan menggunakan kata kunci yang digunakan dalam halaman
web tersebut)
Bentuk perankingan diatas tidak membantu dalam menemukan halaman web yang relevan dengan
maksud yang diinginkan oleh pencar
cari. Inilah mengapa google menggunakan semantic search dalam
menemukan konten web yang relevan.
Query processing dalam semantic environtment
Search Query yang diterima oleh Google diurai (menggunakan parser) untuk mengidentifikasi
satu atau lebih kata kunci. Dalam proses ini, sinonim atau istilah pengganti lainnya akan
diidentifikasi.. Sinonim ini dikenal sebagai calon sinonim dan calon sinonim tersebut akan dipecah
Synonim).
(
dan diproses sebagai sinonim yang berkualitas (Qualified
). Kemudian
Kemudian, relationship
berdasarkan domain masing­
engine digunakan untuk mengidentifikasi hubungan antara anggota b
masing. Yang dimaksud dengan domain disini adalah pemusatan kategori dari kalimat yang
serupa. Kata kunci dari Search Query akan diidentifikasi oleh domain yang merupakan kategori
semantik yang memiliki koleksi
pra entitas yang telah ditetapkan. Hal ini membantu Google
si pra­entitas
untuk menghubungkan istilah untuk pencocokan identitas yang terdekat (Salah satu point penting
yang perlu dicatat di sini adalah bahwa Google hanya akan menemukan kata
kata­kata yang
berhubungan dalam search Query dengan yang sudah ada dalam database­nya
nya yang merupakan
Knowledge graph,, oleh karena itu, beberapa Search Query meskipun sudah sesuai semantik
mungkin tidak muncul).
ian yang terpisah akan dilakukan
dilaku
oleh mesin Query menggunakan Domain
Sebuah pencarian
Matching Relationship dan hasil akhir akan ditampilkan setelah semantik Search Query
diidentifikasi (mesin Query dapat mempluralkan atau mengulang katakata pada Search Query
jika diperlukan). Oleh
eh karena itu, dapat disimpulkan bahwa, sebuah Search Query yang kompleks
yang diinput oleh pengguna dipecah­pecah,
dipecah pecah, kemudian disederhanakan dengan melibatkan suatu
proses yaitu dengan fitur Google Distance untuk mengukur kemiripan semantikk dari kata kunci
yang dicari,i, Setelah itu, halaman web yang relevan diidentifikasi dan ditampilkan sebagai hasil
akhir.
C. WordNet
se a dramatis pada dekade terakhir ini
Sumber informasi semakin bertambah secara
logi Internet. Besarnya jumlah sumber informasi juga melahirkan
dikarenakan teknologi
keragaman dari sumber informasi tersebut. Keragaman timbul karena perbedaan domain
keilmuan, negara, bahasa, dan sebagainya. Sehingga masalah untuk
untuk interoperabilitas
informasi
menghadapi tantangan baru khususnya dari keragaman konsep. Memasuki
era
globalisasi dan teknologi informasi, bahasa Indonesia tidak saja dilihat sebagai aset
kebudayaan melainkan merupakan sarana perhubungan
perhubungan dan aset di bidang ekonomi, politik, dan
strategi hubungan global, misalnya semakin dipelajarinya bahasa Indonesia di Jepang,
Australia, Amerika, dan lain lain. Dengan demikian bahasa Indonesia telah dipelajari dan diajarkan,
khususnya untuk kepentingan politik, ekonomi dan pengembangan hubungan global Banyak pihak
yang berpikir secaraa terkotak bahasa adalah bagian dari ilmu sosial dan komputer adalah
bagian dari ilmu eksak, ternyata paradigma seperti ini
ini tidaklah tepat lagi. Karena untuk

interoperabilitas pada era Internet dengan keragaman semantik, peran bahasa sangatlah
penting untuk meningkatka kualitas dalam pencarian
pen
informasi.
definisi dari sebuah kata tidak hanya terkait dengan
Pada pertukaran informasi perbedaan konsep definisi
bahasa, negara saja.. Tetapi juga terkait dengan domain informasi, contohnya kalau kita
bicaraa kata 'penyimpanan' maka dari domain komputer akan berpikir adalah memori
m
atau hard­disk, tapi kalau dari domain manufaktur bisa diartikan sebagai gudang. Hal ini
pen ian informasi di Internet yang hanya
jelas sangat besar perbedaan maknanya, sehingga pencarian
berdasarkan arti dasar akan membawa hasil dari pertukaran
pert
ian informasi yang tidak
atau pencarian
tepat. Untuk itulah mengapa hubungan antar kata dan artinya menjadi sangat penting pada jaman
ini. Dalam istilah bahasa pembahasan ini disebut dengan semantic yakni merupakan cabang
linguistic yang mempelajari secaraa khusus mengenai arti, perubahan arti dan prinsip hubungan kata.

Pengertian
simbol simbol dan artinya, terutama symbol dalam
Semantik merupakan ilmu yang mempelajari simbol­simbol
bahasa.
Semantik (dari bahasa Yunani semantikos, atau “arti yang signifikan”,
signifikan”, diturunkan dari
sema, tanda) adalah pembelajaran mengenai arti dari suatu term. Semantik kadang
merupakan kebalikan dari sintak, yang mana semantik berhubungan dengan “arti”
sementara sintak berhubungan dengan struktur/pola yang “diekspresikan” (sebagai contoh
ditulis atau diucapkan). Semantik adalah satu bidang dari linguistik yang secar
secara tradisional
didefinisikan sebagai ilmu yang mempelajari arti dari (bagian dari) kata, frasa,
frasa, kalimat dan teks.
WordNet/sistem leksikal database adalah sebuah kumpulan data yang menyimpan relasi semantik
antar synset (satuan
WordNet . Relasi yang dimaksud adalah relasi makna yang dimiliki oleh
satuan dalam WordNet).
suatu kata tertentu, contohnya adalah sinonim,
sinonim, antonim, hiponim, hipernim, holonim, meronium dll.
Hipernim/Hiponim: relasi semantik antar dua kata di mana yang satu merupakan bagian yang lebih
general (hipernim), sementara yg lain merupakan bagian yang lebih spesifik. Contoh, kata ‘buah’ dan
‘apel’, kata ‘buah’ merupakan hipernim dari ‘apel’ karena makna buah lebih luas dari apel,
sementara apel merupakan hiponim dari buah, karena apel merupakan salah satu jenis buah.
Holonim/Meronim: relasi semantik antar dua kata di mana yang satu merupakan bagian
dari/anggota
ari/anggota dari yang lain (meronim), sementara yang lain merupakan bagian keseluruhan
(holonim). Contoh, kata ‘ban’,’setir’, dan ‘mobil’. Ban dan setir merupakan bagian dari mobil, maka
merupakan bagian keseluruhan
ban dan setir dapat dikatakan sebagai meronim dari mobil. Mobil merupakan
yang memiliki ban dan setir, maka mobil dapat dikatakan sebagai holonim dari ban dan setir.
Synset: singkatan dari sinonim set, yaitu satuan utama yang digunakan oleh WordNet. Konsep utama
pada WordNet adalah synset, di mana synset merupakan kumpulan dari 1 atau lebih kata yang
memiliki makna sama (dan tentunya dapat saling menggantikan dalam konteks tertentu). Harap
diingat bahwa satu synset mewakili satu makna (dalam bhs Inggris = sense) yang berbeda. Misalkan,
synset XXX beranggotakan
akan apel dengan gloss nama buah yang berwarna merah. Synset YYY juga
beranggotakan apel, upacara,
upa a kemiliteran. Dari dua contoh synset di atas, kita
a, dengan gloss upacara

dapat mengetahui bahwa kata ‘apel’ memiliki dua makna yang berbeda, di mana salah satu
satunya
adalah buah, dan lainnya adalah upacara.
upa

Relasi semantik dalam WordNet
Seperti yang sudah dijelaskan di atas, WordNet menyimpan informasi tentang berbagai relasi
semantik yang terjadi antar synset (bukan antar kata). Relasi­relasi
Relasi relasi tersebut juga sudah dijelaskan
satu persatu di atas, yaitu :






Antonim
Hipernim/Hiponim
Holonim/Meronim
dan relasi pelengkap lainnya

Semua synset dalam WordNet dilengkapi dengan gloss (definisi dan/atau contoh kalimat
penggunaannya), sehingga memudahkan pengguna memahami suatu synset.
kata, salah satunya
Ada beberapa caraa mengukur hubungan/keterkaitan dan persamaan dari suatu kata,
adalah dengan cara path based measure yang dikembangkan oleh Leacock dan Chodorow
Chodorow. Metode
ini didasarkan pada panjang alur yang paling pendek antara
antara konsep kata benda dalam
suatu hirarki.. Nilai ini diskala oleh kedalaman hirarki D, di mana kedalaman digambarkan
sebagai panjang alur yang terpanjang dari suatu node daun/leaf ke node akar hirarki.
Sehingga,
ehingga, ukuran persamaan mereka digambarkan sebagai berikut:

dimana :
c1 = konsep1
c2 = konsep2
length(c1,c2) = panjang lintasan yang paling pendek (yaitu., jumlah minimum edge antara dua
konsep)
D = Maksimum depth dari taksonomi (Jumlah terbesar kedalaman node antara dua konsep)

Contoh penerapan :
Kita akan mencarii hubungan antara bicycle dan fork(garpu)serta bicycle dan car.. Misalkan kita ingin
mengetahui hubungan antara bicycle dan fork. Dengan demikian c1 adalah bicycle dan c2 adalah
fork. Berikut adalah hasil pencarian
masing­masing
ian dengan mengunakan tools WordNet 2.1 untuk masing
kata.

Gambar 7. Output WordNet 2.1 untuk kata bicycle
(wheeled vehicle
Dari kata tersebut dapat diketahui panjang c1 adalah 9 dengan alur (wheeled
vehicle-vehicleartifact-whole-object-physical entity-entity),
conveyance-instrumentality-artifact
), sedangkan untuk kata fork
adalah sebagai berikut:

Gambar 8. Output WordNet 2.1 untuk kata fork
Dari kata fork sendiri diperoleh jumlah sense sebanyak 5 yang berkaitan dengan kata fork. Namun
karena fork yang
ang dimaksud adalah yang berkaitan dengan alat makan, maka yang digunakan adalah
sense yang pertama denga c2 sebesar 9. Karena keduanya memiliki kedalaman yang sama yakni 10,
maka nilai D=10 diperoleh dari kata bicycle dengan alur (bicycle-wheeled vehicle-vehicle
vehicle-conveyanceobject-physical entity-entity). Sedangkan jarak antara bicycle dan fork
instrumentality-artifact-whole-object
adalah 11 dengan jalur (bicycle-wheeled
wheeled vehicle-vehicle-conveyance-instrumentality-artifact
vehicle
artifact-articleware-tableware-cutlery-fork) sehingga
gga perhitungannya menjadi :
Lch =log ((2*10)/length(9,9))
=log (20/11)=0.259

Kemudian kita ulangi untuk mencar
cari hubungan antara bicycle dengan car.. Berikut hasil output untuk
kata car :

Gambar 9. Output WordNet 2.1 untuk kata car
Karena kata car memiliki
iki 5 sense, maka yang kita ambil adalah yang berkaitan dengan makna yang
kita maksud yakni kendaraan roda 4 yakni sense 1. Dengan caraa yang sama maka kita peroleh nilai
Depth (D) untuk car dan panjang (length) untuk kata car. D=12, dan panjang=11.
Jadi nilai hubungan antara bicycle dan car dapat dihitung sebagai berikut :
c1=bicycle, c2=car
(
jarak antara bicycle dan car (length(9,11)) = 5 dengan alur (bicycle-wheeled
wheeled vehicle
vehicle-self propelled
vehicle-motor vehicle-car).
). Karena kedalaman (D) dari car lebih besar dari bicycle (D=10) , maka nilai
D yang digunakan adalah nilai D miliki car sebesar 12.
sehingga hasil perhitungannya :
Lch =log ((2*12)/length(9,11))
=log (24/5)=0.681
Dari hasil perhitungan kedua hubungan di atas yakni antara bicycle dengan fork dan bicycle dengan
car,, maka dapat disimpulkan bahwa hubungan antara bicycle dan car memiliki hubungan yang lebih

dekat daripada hubungan antara bicycle dengan fork.. Hal ini terlihat dari hasil perhitungan dengan
metode path based measure yang dikembangkan oleh
ole Leacock dan Chodorow yakni sebesar 0.681
dibandingkan dengan 0.259.

Referensi
Y Banowosari, Lintang. Andi D.Kega K.Marvin Mitchel. Analisa pada fitur autocomplete suggestion
ian di mesin pencari
dan semantic pada pencarian
pen
google. Prosiding seminar ilmiah Nasional Komputer
dan Sistem Intelejen. 2014
Simri wicaksana, I wayan. Lintang Yuniar Banowosari. Lili Wulandari. Setia Wirawan. Pentingnya
peranan bahasa dalam interoperabilitas informasi berbasiskan komputer karena keragaman
semantik. Universitas Gunadarma.
Sasmito Ariwibowo, Agus. Model
odel penelusuran citra digital pada database citra menggunakan
pendekatan perhitungan kedekatan pola warna. Seminar Nasional Informatika. UPN Veteran.
Jogjakarta. 2009
http://en.wikipedia.org/wiki/Normalized_Google_distance diakses pada tanggal 21 maret 2015
pukul 10.11
https://creandivity.wordpress.com/2010/08/27/penjelasan­wordnet/
https://creandivity.wordpress.com/2010/08/27/penjelasan
diakses pada tanggal 22 maret
pukul 07.00
14.20
http://en.wikipedia.org/wiki/Euclidean_distance diakses pada tanggal 22 maret pukul 14.2