METODE
PENELITIAN
(KECENDERUNGAN
PENELITIAN DALAM TEKNIK INDUSTRI INTERNASIONAL
JURNAL:
SEBUAH KENASKAHAN INFORMASI ANALISIS PERSPEKTIF)
Disusun Oleh :
LEVI
HIDAYATI (36414045)
Kelas
3ID02
JURUSAN TEKNIK
INDUSTRI
FAKULTAS
TEKNOLOGI INDUSTRI
UNIVERSITAS
GUNADARMA
DEPOK
2017
KECENDERUNGAN
PENELITIAN DALAM TEKNIK INDUSTRI INTERNASIONAL
JURNAL: SEBUAH
KENASKAHAN INFORMASI ANALISIS PERSPEKTIF
J.W.
Uys1 *, C.S.L. Schutte2 and W.D. Van Zyl3
1Indutech
(Pty) Ltd., Stellenbosch, South Africa, +27(0)218871180, wilhelm@indutech.co.za
2Dept.
of Industrial Engineering, Stellenbosch University, South Africa,
+27(0)218083617,
corne@sun.ac.za
3Dept.
of Industrial Engineering, Stellenbosch University, South Africa,
+27(0)218084234,
wernervanzyl@sun.ac.za
Abstrak:
Industri
rekayasa (IE) adalah bidang multi-disiplin, dengan batas-batas penelitian
memperluas ke berbagai sub-disiplin ilmu. Komputer & Teknik Industri (CaIE)
jurnal adalah salah satu jurnal terkemuka di dunia untuk mempublikasikan
penelitian IE dan telah melakukannya sejak tahun 1977. Untuk kepentingan
evaluasi lingkup penelitian, perlu menentukan bagaimana medan IE telah ditutupi
oleh jurnal ini . Apa topik saat ini di IE, dan bagaimana ini diposisikan dari
waktu ke waktu? Artikel ini mencoba untuk menyelidiki masalah ini secara obyektif
dengan menggunakan teknik analisis teks untuk menganalisis koleksi publikasi CaIE.
Karena pertumbuhan dalam kuantitas informasi tekstual diakses, dan semakin
pentingnya jenis informasi kepada orang-orang bisnis dan insinyur industri
sama, premis metodologis dasar disediakan untuk proses pemodelan topik. Untuk
studi yang disajikan dalam makalah ini, Alokasi Dirichlet (LDA) teknik
pemodelan topik laten diaplikasikan pada corpus CaIE 1977-2011 (Vol 60).
Fokus
dari artikel ini dengan demikian dua: pertama, pada menafsirkan tren topik yang
mendasari dalam sejarah publikasi CaIE ini; dan kedua, pada memperkenalkan
konsep pemodelan topik sementara menyoroti nilai untuk insinyur industri modern
dan peneliti.
Kata
kunci: Model Topik
statistik, Text Mining, LDA, Publikasi Trend Analysis
1. PERKENALAN
Komputer & Teknik Industri (CaIE)
jurnal telah ada sejak tahun 1977 dan menargetkan penonton peneliti, pendidik
dan praktisi dari teknik industri dan bidang terkait. jurnal menerbitkan
kontribusi asli untuk pengembangan metodologi komputer-enabled baru untuk
memecahkan masalah teknik industri, dan aplikasi dari metodologi ini untuk
masalah yang menarik bagi masyarakat terkait [26]. Salah satu cara untuk
membangun posisi IE secara global adalah untuk meninjau ruang lingkup
penelitian. 34 tahun terakhir telah melihat peneliti IE menghasilkan lebih dari
4, 400 makalah yang diterbitkan dalam jurnal CaIE. Dalam kepentingan
mengevaluasi lingkup penelitian, perlu menentukan bagaimana medan IE tertutup
oleh jurnal. Menentukan tema yang lama dapat menunjukkan bidang penelitian yang
didirikan, sementara topik yang muncul mengarah ke pembangunan di komunitas
riset IE global, menandakan kemungkinan tren baru di tahun-tahun mendatang.
Perbatasan IE sebagai subjek interdisipliner yang memperluas. Mengetahui apa
peran dan fungsi IE akan di masa depan adalah tempat tujuan bagi para peneliti
IE dan praktisi. Dastkhan dan Owlia [8] menemukan bahwa, dalam konteks
publikasi internasional, penelitian IE paling depan akan difokuskan pada mata
pelajaran seperti teknologi informasi, sistem cerdas, optimasi, kualitas, dan
manajemen rantai pasokan. Penelitian mereka lebih menyoroti bahwa proporsi
output publikasi pada manajemen produksi telah menurun selama dekade terakhir.
Penelitian tentang topik seperti sistem cerdas, manajemen rantai pasokan, dan
teknologi informasi telah meningkat, dengan topik penelitian IE menyebar ke
manajemen dan rekayasa departemen lain. Dalam rangka untuk menyelidiki tren
lingkup penelitian CaIE untuk perbandingan dengan temuan dari studi yang
disebutkan di atas [8], metode objektif berfungsi untuk menentukan tema yang
dibahas dalam artikel CaIE. Analisis efektif seperti koleksi besar membutuhkan
pendekatan terstruktur: menemukan artikel mirip dengan bunga, dan menjelajahi
koleksi dengan cara yang berlaku tema yang mendasari. Masalahnya adalah bahwa
struktur, yang terdiri dari indeks ide (atau tema) yang terkandung dalam
artikel serta orang-orang yang meliputi jenis yang sama dari ide-ide (atau
tema), tidak tersedia di CaIE atau di sebagian besar koleksi kontemporer.
Kemampuan untuk menganalisa jumlah besar informasi tekstual tidak hanya relevan
dengan penelitian ini: pentingnya terus berkembang karena para ilmuwan (dan
insinyur) kini dihadapkan dengan akses ke jutaan artikel di bidang minat
mereka, yang kemampuan pencarian sederhana mungkin tidak menghasilkan hasil
yang memuaskan. Blei dan Lafferty [5] mendukung ini, menyatakan bahwa para
ilmuwan (insinyur) memerlukan alat baru untuk mengeksplorasi dan menelusuri koleksi
besar literatur ilmiah, karena perpustakaan digital sekarang span sejumlah
besar dekade. Upaya yang terlibat untuk membaca dan memahami koleksi besar
informasi tidak terstruktur - atau teks bahasa alami - tetap menjadi tantangan
meskipun banyak kemajuan teknologi di bidang teknologi informasi dan komunikasi
[13].
informasi tidak terstruktur dalam bentuk
teks bahasa alami adalah cara mudah dan umum untuk menangkap dan menyimpan
berbagai jenis informasi. Saat ini, informasi tidak terstruktur ditemukan dalam
benda-benda fisik (misalnya buku, laporan, dll) serta dalam objek virtual
(halaman web misalnya, file komputer, e-mail, dll). alat baru yang diperlukan
untuk secara otomatis mengatur, mencari, pengindeksan, dan browsing
meningkatnya jumlah koleksi dokumen elektronik [5] sebagai waktu yang tersedia
bagi seorang individu untuk mengumpulkan, membaca, menafsirkan, dan bertindak
berdasarkan teks bahasa alami yang sesuai dibatasi di kedua perusahaan dan
penelitian lingkungan. Itu keterbatasan pendekatan pencarian informasi
tradisional, seperti mesin pencarian desktop yang terkenal, adalah bahwa
pendekatan tersebut kurang efisien ketika pengguna tidak pasti tentang apa
tepatnya yang dicari, atau yang tidak kenal dengan konten yang dicari.
Keterbatasan ini bahkan lebih parah bila konten dari koleksi dokumen adalah
sebagian besar wilayah baru untuk pencari [17] - situasi yang tidak aneh untuk
insinyur industri. Temuan-a-jarum-in-a-tumpukan jerami pendekatan pengambilan
pengetahuan tidak selalu optimal untuk menjawab semua jenis pertanyaan [16].
Sebuah indeks multi-dimensi diperlukan untuk membantu pengguna untuk menemukan
tema inti dibahas dalam satu set dokumen, serta bagaimana tema ini berhubungan
dengan dokumen individu, dan sebaliknya. Dengan demikian, pemodelan topik
diusulkan sebagai alat yang berguna dan hemat waktu untuk sarjana dan
profesional dalam menganalisis daerah tertentu minat mereka dalam hal tema yang
berlaku, periode waktu relatif yang berhubungan dengan tema tersebut, dan
penulis otoritatif dalam bidang tertentu yang menarik untuk korpus diberikan.
Meningkatnya ketersediaan elektronik artikel membuat analisis dibantu komputer
dari artikel tersebut lebih menarik.
Dalam artikel ini tempat metodologis
dasar disediakan untuk proses pemodelan topik. Maka metode ini diterapkan pada
corpus CaIE. Hasil dan diskusi menjelaskan keadaan saat IE topik publikasi
penelitian di dunia (dari perspektif CaIE), sementara secara bersamaan
menyediakan perbandingan dengan temuan IE studi tren publikasi lain.
2. METODE
Model topik statistik mekanisme berguna
untuk mengidentifikasi dan mengkarakterisasi tema dalam koleksi dokumen. Mereka
memungkinkan pengguna untuk menjelajahi koleksi dokumen dengan cara
berorientasi topik [3], dan terbukti menjadi metode yang kuat untuk menemukan
struktur data dinyatakan tidak terstruktur seperti data teks [10]. model topik
yang berguna untuk: membedakan inti dari satu set dokumen, pengelompokan
dokumen berdasarkan konten mereka, memprediksi kata kemungkinan tema,
mengidentifikasi indra atau makna kata-kata (disambiguasi) yang berbeda,
membantu pencarian informasi, dan memfasilitasi penyaringan kolaboratif [6];
[11]. Pada dasarnya, model topik adalah teknik pembelajaran mesin yang dapat
diterapkan untuk menghitung data untuk menemukan struktur yang mendasari (atau
laten) untuk dataset masukan yang diberikan. Ini adalah model generatif karena
model proses yang menimbulkan set diberikan item data yang diamati (misalnya
terjadinya kata dalam dokumen). metode statistik yang diterapkan pada model
generatif untuk membuat struktur yang mendasari eksplisit. Dalam arti, model
topik mencoba untuk membalikkan proses authoring, di mana penulis teks yang
diberikan memilih setiap kata yang ditulis signifikan dari, topik konseptual
mental. Model topik berusaha untuk mengidentifikasi dan mengukur topik laten
menggunakan model generatif dan inferensi statistik untuk menyelesaikan
kemungkinan besar set struktur laten, mengingat kata-kata yang diamati dalam
teks yang sebenarnya. Dalam menerapkan model topik teks data (misalnya
kata-kata dari artikel Anda membaca), struktur yang mendasari sesuai dengan
topik atau tema tidak langsung dibahas dalam teks, sedangkan data yang diamati
sesuai dengan kata-kata yang sebenarnya ditemukan dalam teks. Topik yang terdiri
dari kata-kata yang terkait dengan topik individu. Hubungan antara topik dan
kata yang diukur dengan probabilitas yang mewakili kemungkinan bahwa kata
masing-masing sesuai dengan topik yang bersangkutan. Topik dapat dilihat
sebagai abstraksi dari data input teks dalam bahwa mereka lebih terkonsentrasi
dan bertujuan untuk menjelaskan semua kata-kata yang sebenarnya ditemukan dalam
teks yang sebenarnya dianalisis. teknik pemodelan beberapa topik yang ada
(seperti yang dijelaskan dalam [6]; [15]; [1]; [3]), tetapi semua teknik
pemodelan topik statistik didasarkan pada model generatif. Teknik ini dibedakan
oleh parameter bahwa analis harus menentukan (misalnya jumlah topik), metode
statistik yang digunakan untuk menyimpulkan struktur yang mendasari mengingat kata-kata
yang diamati dalam dokumen, apakah kesamaan dan hirarki topik dihitung termasuk
dalam yang dihasilkan model (misalnya datar dibandingkan model hirarkis), dan
apakah teknik berasumsi bahwa topik independen dari waktu atau melayani untuk
evolusi topik. Salah satu fitur yang menarik dari menggunakan model topik untuk
menganalisis dokumen teks adalah bahwa dokumen direpresentasikan sebagai
campuran topik, sementara sebagian besar teknik dokumen-pengelompokan lain
hanya merupakan dokumen menggunakan satu topik - pembatasan realistis [25].
Untuk studi yang disajikan dalam makalah ini, Laten Alokasi Dirichlet (LDA)
teknik pemodelan topik [6] digunakan. Model LDA mengasumsikan bahwa kata-kata
yang dihasilkan oleh (campuran) topik dan topik-topik seperti tak terhingga
tukar dalam dokumen [6]; [3]. Selain itu, dokumen direpresentasikan sebagai
campuran acak lebih topik (yaitu mendasari) laten di mana setiap topik
didefinisikan atau ditandai dengan distribusi (corpus kosakata) kata-kata [17].
variabel multinomial laten LDA model yang disebut sebagai topik. LDA adalah
model probabilistik generatif benar dari corpus dokumen dan berpotensi
mengatasi kelemahan model topik sebelumnya (mis PLSI, Campuran Unigrams, dll)
karena sifat generatif dan kemungkinan menetapkan beberapa topik per dokumen
[23]. Melayani lebih lanjut untuk sinonim [11]), polisemi [20], merupakan model
yang sangat berguna untuk menurunkan struktur data dinyatakan tidak terstruktur
serta untuk generalisasi data baru untuk masuk ke dalam struktur yang [3]. Pada
tingkat tinggi, generasi dari corpus dokumen LDA dimodelkan sebagai proses tiga
langkah. Langkah pertama memerlukan sampling distribusi melalui topik dari
distribusi Dirichlet untuk setiap dokumen. Selanjutnya, satu topik yang dipilih
dari distribusi ini untuk setiap kata dalam dokumen. Langkah terakhir
melibatkan sampel setiap kata dari distribusi multinomial lebih kata-kata yang
sesuai dengan topik sampel [22]. Lebih khusus, proses generatif berikut ini
diasumsikan untuk setiap dokumen w di corpus D [6]:
Proses
disederhanakan mendefinisikan distribusi marginal dari dokumen w sebagai
distribusi campuran terus menerus:
Dalam persamaan di atas p (wn | θ, β)
merupakan komponen campuran dan p (θ | α) bobot campuran. Ada tiga tingkatan
untuk representasi LDA. Tingkat tertinggi, mengatakan tingkat corpus,
melibatkan parameter tingkat corpus a dan β yang diasumsikan sampel sekali
dalam proses menghasilkan korpus a. Tingkat kedua, mengatakan tingkat dokumen,
terkait dengan dokumen-tingkat variabel θd yang sampel sekali per dokumen. Yang
ketiga dan paling rinci tingkat, kata-tingkat, diwakili oleh variabel
kata-tingkat zdn dan wdn yang sampel sekali untuk setiap kata dalam setiap
dokumen. LDA berpendapat bahwa setiap kata dari dokumen yang diamati dan tak
terlihat dihasilkan oleh acak memilih topik dari distribusi dengan parameter
yang dipilih secara acak yang sampel sekali per dokumen dari distribusi halus
pada simpleks topik. Masalah inferensial utama yang harus diselesaikan untuk
menggunakan LDA adalah bahwa perhitungan distribusi posterior dari variabel
tersembunyi diberikan dokumen. Sayangnya, distribusi ini sulit dipecahkan untuk
menghitung inferensi yang tepat. Namun, bermacam-macam algoritma inferensi
perkiraan, misalnya Laplace pendekatan, Ekspektasi-Maksimalisasi, Markov Chain
Monte Carlo, Variasional Bayes, atau Variasional Ekspektasi-Maksimalisasi,
Harapan Dakwah dan runtuh Gibbs Sampling mungkin dapat diterapkan untuk LDA
[12]; [17]; [9]; [6]. Dalam penelitian ini, Gibbs sampling diterapkan untuk
inferensi dan pembelajaran parameter. Kelemahan dari LDA, bersama dengan
kebanyakan model topik probabilistik, berasal dari kata-kata asumsi yang
memungkinkan kata-kata yang harus dihasilkan oleh topik yang sama yang akan
dialokasikan untuk berbagai topik yang berbeda. LDA memiliki penerapan yang
lebih luas dari hanya teks seperti itu dapat diterapkan untuk mengatasi masalah
yang terkait dengan koleksi data lain seperti pengambilan gambar berbasis
konten dan bioinformatika [6]. Input untuk proses pemodelan topik adalah kata
ke dokumen terjadinya matriks, di mana setiap baris mewakili sebuah kata,
setiap kolom mewakili dokumen, dan entri menunjukkan frekuensi yang kata
tertentu terjadi dalam dokumen tertentu. pemodelan perangkat lunak topik digunakan
untuk membangun matriks dengan mengekstraksi semua kata-kata unik dari corpus
dan menghitung seberapa sering kata yang diberikan terjadi di masing-masing
dokumen dianalisis. Dalam proses analisis, menghentikan kata-kata yang
dihilangkan dari teks diekstraksi menggunakan daftar yang disediakan pengguna.
Bagi sebagian besar teknik pemodelan topik, jumlah topik yang akan dirumuskan
ditentukan terlebih dahulu oleh pengguna. Beberapa teknik pemodelan topik
non-parametrik ada di mana jumlah topik mungkin dihitung sebagai bagian dari
proses analisis [12]. Kata ke dokumen yang terjadinya matriks digunakan untuk
menyimpulkan struktur laten (topik) dengan cara algoritma inferensi statistik.
Hasil kesimpulan adalah seperangkat topik yang mencakup kata-kata yang terkait
dengan topik individu, serta kekuatan hubungan untuk setiap kombinasi
kata-topik. Output minimal proses pemodelan topik adalah kata topik dan dokumen
ke topik matriks. Matriks topik ke kata menyajikan topik diidentifikasi, setiap
topik memiliki daftar kata yang terkait, diukur dengan probabilitas individu
untuk masing-masing kata.
Topik yang dihasilkan memberikan
gambaran tentang isi dari dokumen dianalisis. Setiap topik dapat dilengkapi
dengan label deskriptif dengan ahli materi pelajaran untuk membantu
interpretasi topik tersebut. Matriks dokumen pada topik menyajikan campuran
topik yang terkait dengan setiap dokumen dianalisis. Tingkat asosiasi dokumen
untuk suatu topik tertentu yang diukur dengan rasio campuran (angka antara 0
dan 1). Menggunakan dua matriks ini, output yang berguna lainnya (misalnya
kesamaan antara semua topik atau dokumen pasang) dapat dihitung. Dengan
mengekstraksi informasi penulis dan tahun publikasi dari masing-masing dokumen
dianalisis dan melengkapi matriks dokumen pada topik dengan informasi ini,
adalah mungkin untuk menghitung penulis-to-topik dan hubungan publikasi
tahun-ke-topik. Hubungan ini dapat digunakan untuk menemukan topik yang terkait
dengan penulis diberikan, serta rentang waktu suatu topik tertentu. Meskipun analisis
artikel jurnal menggunakan model topik telah disajikan dalam literatur
penelitian (misalnya [3]; [10]), masih dianggap sebagai pendekatan baru. Dalam
kasus [3], 16.351 artikel (yang mengakibatkan 19.088 kata-kata unik) diperoleh
dari arsip JSTOR on-line dianalisis dengan menggunakan LDA dan teknik pemodelan
topik lainnya. Tujuannya adalah untuk menemukan struktur topik yang mendasari
korpus. Model topik yang dihasilkan kemudian diterapkan untuk membantu browsing
artikel, mencari, dan membuat penilaian kemiripan.
3. HASIL DAN PEMBAHASAN
Versi elektronik yang tersedia dari
artikel yang diterbitkan dalam CaIE selama periode 1977-2011 diperoleh dan teks
penuh 4497 dokumen (yang termasuk artikel yang sebenarnya, daftar dewan
redaksi, kata pengantar dan catatan editor) dianalisis menggunakan CAT program
perangkat lunak yang bernama ( Analisis isi Toolkit oleh Indutech) yang
mempekerjakan teknik pemodelan topik LDA. Analisis menjalankan dikonfigurasi
untuk menggunakan bahasa Inggris daftar berhenti kata untuk menghilangkan
sering terjadi kata dengan sedikit makna; nomor juga diabaikan. Empat berjalan
dilakukan pada corpus CaIE menggunakan nomor yang berbeda dari topik (yaitu 30,
50, 80 dan 100 topik) untuk mendapatkan tingkat yang diinginkan dari umum terhadap
kekhususan topik. Analisis 80-topik kemudian dipilih. Analisis run ini
diperlukan 38 jam untuk menyelesaikan pada PC Intel i7. Selama analisis 9, 745,
564 kata-kata yang diambil dari artikel, yang 145, 918 yang unik. Tidak ada
teks dapat diekstraksi dari 41 dari 4.497 dokumen. Para penulis kemudian secara
individual diberikan label untuk masing-masing 80 topik, dengan memeriksa
kata-kata mencirikan topik dan membaca beberapa abstrak artikel ditugaskan
untuk suatu topik tertentu, di mana label akhir untuk setiap topik yang
ditentukan dengan cara konsensus kelompok. Delapan Topik diberi label sebagai
disebut topik kebisingan karena tidak ada label yang masuk akal dapat
ditetapkan untuk ini. Juga, empat topik diberi label ganda (dipisahkan oleh
"|" karakter), menunjukkan bahwa topik tertentu mencakup dua tema
yang berbeda digabungkan menjadi satu topik.
3.1 Topik Waktu Tren
Gambar 1 menunjukkan bagaimana
masing-masing dari 72 topik (delapan topik kebisingan tidak ditampilkan)
diposisikan dalam jangka waktu 1977-2011 (berasal dari matriks dokumen pada
topik), dengan topik awal ditampilkan pertama dan lebih topik baru
diperlihatkan terakhir. Jumlah dalam tanda kurung di akhir setiap label topik
menunjukkan jumlah artikel yang terkait dengan topik tersebut. Awal dan akhir
dari garis hitam tipis setiap batang topik masing-masing mewakili tahun
publikasi artikel paling awal dan artikel terbaru yang terkait dengan topik
ini. Tengah persegi panjang ungu setiap batang topik mewakili tahun rata-rata
semua artikel yang terkait dengan topik tertentu, dan panjang persegi panjang
ditentukan oleh standar deviasi dari semua publikasi tahun artikel yang terkait
dengan topik tersebut. Dalam upaya untuk mengkonfirmasi tren waktu dihitung
dari berbagai topik, topik-topik tertentu dipilih untuk memeriksa mereka
terhadap pengalaman dan menyelidiki bagaimana mereka sesuai dengan garis waktu
dari kejadian terkini dan bersejarah. Misalnya, Topik 53: aplikasi dini
mikrokomputer tertutup 1983-1992 (memiliki 289 artikel terkait), kurang lebih
bertepatan dengan penerapan awal mikrokomputer. Topik 35: Ant Colony Algorithm
Aplikasi, mewakili topik yang jauh lebih baru, tertutup antara tahun 2006 dan
2010 (memiliki 12 artikel terkait) yang dapat dipertahankan sejak algoritma
koloni semut pertama hanya diusulkan pada tahun 1992 dan butuh beberapa tahun
untuk menjadi dewasa sebelum yang diterapkan untuk memecahkan masalah terkait
teknik industri.
3.2 Tren International
dan CaIE
Dastkhan dan Owlia [8] menganalisis tren
dalam penelitian IE selama tiga dekade terakhir dalam upaya untuk memprediksi
perkembangan penelitian di masa depan di bidang ini. Publikasi pada topik IE
berbeda dari empat penerbit internasional utama (Pergamon, Elsevier, Springer,
dan Emerald) dipelajari. Memilih jurnal yang lebih relevan dengan IE, data yang
berasal dari 7.114 makalah dianalisis menurut kategori yang ditentukan.
kategori ini didefinisikan melalui survei dari kata kunci dalam publikasi, tema
konferensi IE, dan ide-ide dari para ahli di bidang ini. Mereka menyoroti bahwa
proporsi output publikasi pada manajemen produksi telah menurun selama dekade
terakhir, sementara penelitian tentang topik seperti sistem cerdas, manajemen
rantai pasokan, dan teknologi informasi telah meningkat. Akibatnya mereka
mendalilkan bahwa, dalam konteks publikasi internasional, penelitian IE paling
depan kemungkinan akan terfokus pada mata pelajaran seperti teknologi
informasi, sistem cerdas, optimasi, kualitas, dan manajemen rantai pasokan.
Dikatakan bahwa tren penelitian di kategori mata pelajaran telah bervariasi
selama periode yang berbeda (Gambar 2), mungkin karena perubahan permintaan
penelitian oleh industri dan masyarakat (faktor penarik) serta kepentingan
ilmiah peneliti (push factor).
Untuk berhubungan tren penelitian IE di CaIE
untuk tren dalam publikasi penelitian IE internasional, masing-masing dari 72
topik, dicapai melalui pendekatan pemodelan topik, dialokasikan ke salah satu
dari sepuluh kategori utama yang didefinisikan oleh [8]. Empat topik dengan
label ganda diperlakukan sebagai delapan topik individu dalam pemetaan untuk
meningkatkan akurasi alokasi. Perhatikan bahwa studi yang disajikan dalam
artikel ini, dan penelitian yang dipresentasikan oleh [8], pendekatan masalah
yang sama dari sudut yang berbeda. Dalam artikel ini berlaku tema dalam dataset
yang disimpulkan dengan menggunakan pendekatan pemodelan topik, sementara studi
terakhir dilakukan dengan menggunakan kategori yang telah ditetapkan dan kata
kunci. Dengan demikian, penelitian ini mengambil isyarat topik dari tema yang
mendasari dalam tubuh teks (yaitu pengelompokan), sedangkan pada studi lain
kategori yang digunakan untuk mengkategorikan artikel dalam dataset mereka
ditentukan di muka (yaitu klasifikasi).
Gambar
1: tren Waktu topik umum di Journal Komputer & Teknik Industri (1977-2011)
Gambar 2: Proporsi penelitian di topik
IE yang berbeda - publikasi internasional (diadaptasi dari [8])
Gambar
3: Proporsi penelitian di topik IE yang berbeda - CaIE (model pendekatan topik)
Sebuah
perbandingan antara hasil dua studi karena itu terletak pada kemampuan untuk
berhubungan dan menafsirkan Gambar 2 dan Gambar 3. Misalnya, Gambar 2
menunjukkan bahwa 26,9% dari semua artikel (internasional) yang ditulis antara
tahun 1990 dan 1999 berada di subjek Operasi pencarian. Dari perspektif CaIE,
Gambar 3 menunjukkan bahwa selama periode yang sama 29,6% dari artikel CaIE
berhubungan dengan subjek Riset Operasi. Dengan demikian aspek pertama untuk
memperjelas adalah persentase yang tinggi dari 'pelajaran lain' ditemukan di
1990-1999 dan 2000-2007 periode Gambar 3. Masing-masing dari 72 topik CaIE
tidak dialokasikan ke salah satu dari sembilan kategori tertentu ditentukan
oleh [8] dikelompokkan di bawah 'mata pelajaran lain'. Beberapa topik yang paling
signifikan yang tergabung dalam 'subyek lain' adalah: Topik 14: Produk
Rekayasa, Topik 18: Risiko & Keselamatan Manajemen Penilaian Model, Topik
24: Sistem Manajemen Dock, Topik 26: Desain Produk Manufaktur, Reuse, Recycling
& Pembuangan , Topik 42: Produk Remanufacturing & Sumber Daya Reuse
Sistem, Topik 43: Manajemen Bisnis Pendekatan & Strategi, Topik 46: Lazim
Komputer Mengukur Koordinat Teknik & Aplikasi, Topik 48: Robotic Sistem
Pengendalian, Topik 49: Order Memilih Sistem Optimasi, Topik 50: Ekonomi
evaluasi Model & Teknik, Topik 76: Manajemen Rekayasa (Industri), Topik 77:
Automated Guided Kendaraan Model & Sistem, Topik 78: Machining &
Management Tool dan Topik 80: Kewirausahaan Kolaborasi Model dan evaluasi
daripadanya | Model Assessment infrastruktur. Untuk sebagian besar, topik ini
sesuai dengan topik yang lebih baru ditemukan pada Gambar 1 (dengan Topik 48,
50, 76 dan 78 menjadi pengecualian untuk pengamatan ini). Dastkhan et al. [8],
yang termasuk CaIE dalam analisis mereka, menggunakan proses kategorisasi
manual, dan sementara rincian alokasi mereka tidak diketahui, artikel yang
masuk dalam kategori tersebut mungkin dialokasikan untuk kategori yang ada
karena alasan lain yang tidak jelas dalam analisis ini.
Berkaitan hasil dari dua penelitian
dapat disederhanakan dengan menghilangkan kategori 'pelajaran lain' dari
perbandingan. Kategori ini sendiri hanya merupakan 0,2% dari tren IE
internasional 2000-2007; sehingga kelalaian untuk tujuan perbandingan
dibenarkan. Gambar 4 menunjukkan persentase CaIE yang dihitung ulang di
sembilan kategori tertentu, pasangan seri 2000-2007 dari Gambar 2 dan Gambar 3,
dengan demikian secara objektif membandingkan artikel terbaru yang sesuai dari
penelitian ini dengan artikel terbaru dari studi yang dilakukan oleh [8].
Gambar 4:
Proporsi penelitian di topik IE yang berbeda - CaIE dan internasional
Gambar 4 juga menunjukkan persentase
perbandingan untuk Journal Afrika Selatan dari IE (SAJIE) yang ditentukan
sebagai bagian dari hasil penelitian serupa (lihat [23]). Dengan membandingkan
persentase masing-masing CaIE dengan yang ada pada studi internasional, dapat
dilihat bahwa CaIE erat sesuai dengan studi internasional dalam hal kategori
yang digunakan oleh Dastkhan et al. [8], dengan pengecualian bahwa CaIE
tampaknya memiliki cakupan yang lebih kuat dalam kategori Riset Operasi dan
cakupan kurang dalam Total Quality Management dan Sistem Cerdas dan kategori
Metode. Hal ini mungkin tidak pengamatan mengejutkan - masing jurnal membangun
reputasi mengenai area fokus selama hidupnya, ditentukan oleh preferensi dewan
redaksi dan penulis yang diterbitkan dalam jurnal, dan analisis santai dari
artikel CaIE menegaskan fokus yang lebih kuat OR dari jurnal lain IE.
Pengamatan yang menarik adalah bahwa Sistem Informasi dan Teknologi (yang
benar-benar harus menjadi area fokus yang menonjol mengingat nama jurnal), menerima
kurang perhatian dalam beberapa tahun kemudian di CaIE, sedangkan tren
internasional sedikit peningkatan.
4. KESIMPULAN DAN MASA
DEPAN PENELITIAN
Teks elektronik adalah cara yang nyaman
dan populer untuk menangkap dan menyimpan informasi. Pendekatan pencarian
informasi tradisional membatasi dalam bahwa mereka kebanyakan tidak dapat
memberikan gambaran yang mata pelajaran yang tercakup dalam koleksi dokumen
tekstual, sehingga sulit untuk menemukan informasi yang tepat. Keterbatasan ini
bahkan lebih parah bila konten dari koleksi dokumen adalah sebagian besar
wilayah baru bagi pencari. alat baru yang diperlukan untuk secara otomatis
mengatur, mencari, pengindeksan, dan browsing corpora dokumen elektronik yang
terus tumbuh sebagai waktu yang tersedia bagi seorang individu untuk
mengumpulkan, membaca, menafsirkan, dan bertindak berdasarkan informasi
tekstual terbatas baik dalam lingkungan perusahaan dan penelitian.
Laten Alokasi Dirichlet (LDA), teknik
Model topik statistik, disajikan sebagai cara baru untuk mengatur dan
menjelajahi koleksi dokumen elektronik. Ketika dikemas dalam perangkat lunak,
teknik mungkin berguna untuk meningkatkan aksesibilitas dari dokumen
perpustakaan digital pribadi peneliti dan praktisi. Manfaat termasuk mampu
menggunakan persamaan dihitung antara topik, dokumen, dan kata-kata individu
untuk menavigasi lebih mudah melalui koleksi dokumen pada berbagai tingkat
agregasi.
Dastkhan et al. [8] melaporkan pada
studi mereka bertujuan untuk menganalisis tren internasional penelitian IE
selama tiga dekade terakhir. Dalam upaya untuk membandingkan tren penelitian CaIE
dengan yang sesuai tren internasional, penulis pertama menggunakan teknik LDA
untuk mengidentifikasi 72 tema penelitian dalam artikel CaIE diterbitkan dari
tahun 1977 sampai 2011. topik ini kemudian dipetakan ke kategori yang digunakan
oleh [8]. Ditemukan bahwa CaIE topik penyebaran bersandar lebih ke arah teknik
berdasarkan Riset Operasi, dan ketika membandingkan tren CaIE dengan jurnal
lainnya dalam industri, jelas bahwa Riset Operasi tetap menjadi area fokus yang
kuat (di mana jurnal lainnya sedikit menurun). Pengamatan yang menarik adalah
bahwa Sistem Informasi dan Teknologi (yang benar-benar harus menjadi area fokus
yang menonjol mengingat nama jurnal), menerima kurang perhatian dalam beberapa
tahun kemudian di CaIE, sedangkan tren internasional sedikit peningkatan.
Temuan ini mungkin menjadi titik awal yang nyaman untuk diskusi terbuka di
sekitar posisi depan penelitian IE di CaIE.
Karena keterbatasan ruang, tulisan ini
saat memberikan pandangan yang terbatas pada apa yang mungkin dalam bidang ini.
Diusulkan agar penelitian ini diperluas untuk membandingkan CaIE ke jurnal lain
secara langsung, dan tidak melalui kategorisasi Dastkhan mana proses
kategorisasi detail tidak diketahui. Selain itu, ada teknik pemodelan topik
lain yang tersedia memungkinkan untuk tingkat tertentu pra-spesifikasi topik
yang diinginkan (misalnya CTM [7], z-LDA [1]). Teknik-teknik tersebut dapat
diterapkan untuk teks CaIE dan jurnal lainnya IE, menggunakan industri diterima
set IE sub-disiplin ilmu (misalnya yang diidentifikasi dalam Salvendy [20])
sebagai struktur kategorisasi yang telah ditetapkan, untuk menentukan cakupan
relatif sub seperti disiplin di jurnal IE masing.
5.
REFERENSI
1. Andrzejewski,
D. & Zhu, X. 2009. Latent Dirichlet Allocation with Topic-in-Set Knowledge.
NAACL 2009 Workshop on Semi-supervised Learning for NLP (NAACL-SSLNLP 2009).
2. Blei,
D., Griffiths, T., Jordan, M. & Tenenbaum, J. 2004. Hierarchical topic
models and the nested Chinese restaurant process, Neural Information Processing
Systems Conference (NIPS).
3. Blei,
D. & Lafferty, J. 2006, Modeling Science.
4. Blei,
D. & Lafferty, J. 2007. A correlated topic model of science, The Annals of
Applied Statistics,1(1), pp 17-35.
5. Blei,
D. & Lafferty, J. 2009. Topic models, In A. Srivastava and M. Sahami, eds,
Text mining: Theory and applications. Taylor and Francis, in press.
6. Blei,
D., Ng, A., & Jordan, M. 2003. Latent Dirichlet Allocation, Journal of
Machine Learning Research, 3, pp 993–1022.
7. Chemudugunta,
C., Smyth, P., Steyvers, M. (2008), Combining Concept Hierarchies and
Statistical Topic Models (CIKM’08), Napa Valley, California, USA.
8. Dastkhan,
H. & Owlia, M.S. 2009. Study of trends and perspectives of Industrial
Engineering research, South African Journal of Industrial Engineering, 20(1),
pp 1-12.
9. Griffiths,
T. & Steyvers, M. 2002. A probabilistic approach to semantic
representation. In Proceedings of the 24th Annual Conference of the Cognitive
Science Society.
10. Griffiths,
T. & Steyvers, M. 2004. Finding scientific topics, Proceedings of the
National Academy of Sciences of the United States of America (PNAS), 101(suppl.
1), pp 5228-5235.
11. Griffiths,
T., Steyvers, M. & Tenenbaum, J. 2007. Topics in semantic representation,
Psychological Review, 114(2), pp 211-244.
12. Jordan,
M. editor. 1999. Learning in Graphical Models, MIT Press, Cambridge, MA.
13. Le
Grange, L. 2006. The changing landscape of the contemporary university, South
African Journal of Higher Education, 20(4), pp 367-371.
14. Li,
W., Blei, D. & McCallum, A. 2007. Nonparametric Bayes Pachinko allocation,
Conference on Uncertainty in Artificial Intelligence (UAI).
15. Li,
W., & McCallum, A. 2006. Pachinko allocation: DAG-structured mixture models
of topic correlations, International Conference on Machine Learning (ICML).
16. Lieberman,
J. From Metadata to megadata: Deriving broad knowledge from document
collections, Collexis, Inc., Whitepaper. 2007.
17. Mimno,
D. & McCallum, A. 2007. Expertise Modeling for Matching Papers with
Reviewers, Thirteenth ACM SIGKDD International Conference on Knowledge
Discovery and Data Mining (KDD ’07), San Jose, California, USA.
18. Minka,
T.P. & Lafferty, J. 2002. Expectation-propagation for the generative aspect
model, In Uncertainty in Artificial Intelligence (UAI).
19. Nasukawa,
T. & Nagano, T. Text analysis and knowledge mining system, IBM Systems
Journal, vol. 40, no. 4, 2001.
20. Salvendy,
G. 1992. Handbook of Industrial Engineering, John Wiley & Sons, Inc., New
York.
21. Steyvers,
M. & Griffiths, T. 2006. Probabilistic Topic Models, in Latent Semantic
Analysis: A Road to Meaning, Trends in Cognitive Science. vol. 10, issue 7, pp.
327 – 334.
22. Steyvers,
M., Smyth, P., Rosen-Zvi, M. & Griffiths, T. 2004. Probabilistic
Author-Topic Models for Information Discovery, In: 10th ACM SigKDD conference
knowledge discovery and data mining (Seattle, 2004).
23. Uys,
J.W., Du Preez, N.D., & Uys, E.W. 2008. Leveraging Unstructured Information
Using Topic Modelling, PICMET 2008 Proceedings, 27-31 July, Cape Town, South
Africa. PICMET. pp. 955- 951.
24. Uys,
J.W., Schutte, C.S.L. & Esterhuizen, D. 2010. Trends in a South African
Industrial Engineering Research Journal: A Textual Information Analysis
Perspective, South African Journal of Industrial Engineering (SAJIE), 21(1),
pp.1-16.
25. Wei,
X. & Croft, W.B. 2006. LDA-based document models for ad hoc retrieval,
Proceedings of the 29th SIGIR Conference, pp 178-185.
