PENGERTIAN DARI INTERNET DAN CARA MENGOPERASIKAN YA

SEJARAH TEKNIK SEARCH ENGINE OPTIMAL ( SEO )

GOOGLE

Teknik Search Engine Optimation (SEO) yang digunakan PageRank dari Google ini adalah dengan cara membangun link sebanyak mungkin ke arah website atau blog. Maka user bisa ikut pertukaran link dengan teman, atau memasang link pada halaman friendster, comment, buku tamu da sebagainya.

Semakin banyak link yang mengarah ke suatu website, maka PageRank akan semakin tinggi. Semakin tinggi PageRank berarti semakin besar keungkinan website tersebut berada di urutan tertinggi Search Engine. User juga harus memperhatikan Anchor Text pada saat membka link ke arah website.

Misal kenapa Websie Adobe berada pada peringkat tertinggi di Google untuk kata kunci “click here”, karena banyak sekali website yang terdapat link ke arah halaman itu dengan kata : Download Adobe Reader, click here. Kata “click here” tersebut yang disebut Anchor text karena berupa link. Jadi user harus menyesuaikan link yang mengarah ke website itu dengan keyword yang ingin ditargetkan.

2.8.2 Rumus Page Rank Google

Mesin pencari Google menggunakan prinsip memeringkat suatu web berdasarkan seberapa penting sutau web dan seberapa banyak suatu web di link oleh web lain. Istilah ini dikenal sebagai Page Rank.

Sebuah algoritma kecil menetukan keberhasilan tau kegagalan website di dalam rumus PageRank Google. CHIP menunjukkan bagaimana cara kerjanya.

Internet sangat besar, sebaliknya website sangat kecil. Tidak heran, apabila sebuah website sangat sulit untuk menonjolkan diri dan bersaing dengan milyaran website serupa untuk menampakkan dirinya kepada seluruh pengakses Intenet.

Pengguna hanya bisa melihat suatu website apabila ia menjalankan pencarian di Google dan website tersebut berada paling atas dalam daftar hits. Hanya saja, apabila ada ratusan website serupa di Internet, yang mana yang akan tampil paling atas atau paling bawah dalam daftar hits? Jawabannya dituangkan ke dalam sebuah rumus algoritma PageRank.

PageRank adalah sebuah algoritma yang telah dipatenkan yang berfungsi menetukan website mana yang leih penting atau populer. PageRank merupakan salah satu feature utama mesin pencari Google dan diciptakan oleh pendirinya, Larry Page dan Sergey Brin.

Cara kerja rumus dan formula PageRank

Di balik PageRank ada pemikiran yang sederhana sekaligus jenius:

1. Untuk setiap website ada sejumlah tertentu website lain yang menempatkan sebuah hyperlink ke website yang bresangkutan.
2. Setiap website memiliki sebuah PageRank.
3. Link dan website B ke website A dihitung sebagai satu suara dari B untuk A. Seperti dalam pemungutan suara.
4. Selain itu, PageRank website B memberi bobot suara untuk A. Semakin tinggi PageRank website B, semakin baik.
5. Faktor-faktor lainnya, beberapa banyak link terdapat di website B. Semakin sedikit jumlahnya, semakin baik untuk PageRank website A.
6. Jumlah semua PageRank sama dengan jumlah semua dokumen di Intenet. Jadi, PageRank adalah pembobotan sebuah dokumen di Internet secara keseluruhan yang tercatat.

PageRank dihitung untuk setiap website, bukan untuk seluruh tawaran website. Oleh karena itu, sebuah artikel tertentu di webserver bisa jadi mendapat PageRank lebih tinggi daripada websitenya sendiri.

Sebagai rumus seluruh algoritma PageRank tampak sebagai berikut: PR(A)=(1-d)+d({PR(T1)/C(T1)+......+PR(Tn)/C(TN))

Berikut penjelasan rumus di atas: PageRank website A adalah jumlah PageRank website T1 hingga Tn, masing-masing dibagi dengan jumlah link pada website yang bersangkutan. Selain itu, ada faktor peredam, sebuah elemen sangat penting yang selanjutnya masih akan berperan.

Gambar 2.7 : Kalkulasi PageRank Empat website saling menghubungi melalui link. Tergantung jumlah link yang mengantar ke sebuah website, maka didapat nilai PageRank tertentu (PR).

Prinsip PageRank dapat diperjelas. Anggapalah seluruh web hanya terdiri atas empat wensite A, B, C, dan D. Dalam contoh masing-masing memiliki nilai PageRank awal “1”. Jumlahnya sama dengan jumlah wbsite. Dalam contoh pertama website B, C, dan D masing-masing memiliki sebuah link ke website A dan tidak ada link lainnya. Apabila faktor peredam diabaikan, hasilnya adalah rumus: PR(A)=1/1 + 1/1 + 1/1

PageRank website A adalah 3. contoh yang lebih rumit (lihat halaman 199): Website A memiliki link ke website B dan C. B hanya memilik sebuah link ke A. C memiliki link ke A, B, dan D. D hanya memiliki link ke B. Rumus untuk A akan menjadi:

PR(A)= 1/1 + 1/3

Link dari B bernilai 1, sementara dari C hanya 1/3 dengan jumlah links 3.

Hasilnya adalah 1,33.

Ini adalah 0,75.

Sekali lagi, seandainya halaman B juga memiliki link ke halaman C, dan halaman D memiliki link ke semua tiga halaman. Nilai dari link-suara dibagi di antara semua link pada halaman. Dengan demikian, halaman B memberikan suara senilai 0,125 ke halaman A dan suara senilai 0,125 ke halaman C. Hanya sepertiga dari D 's PageRank dihitung untuk J PageRank (sekitar 0,083).

Dengan kata lain, PageRank conferred oleh outbound link L () sama dengan dokumen sendiri PageRank skor normalized dibagi dengan jumlah link keluar (ini diasumsikan link ke URL tertentu hanya dihitung sekali per dokumen).

Pada kasus umum, nilai PageRank halaman u dapat dinyatakan sebagai:

Nilai PageRank halaman u tergantung pada nilai-nilai PageRank untuk tiap halaman v dari set B u (set ini berisi semua halaman yang menghubungkan ke halaman u), dibagi dengan jumlah L (v) link dari halaman v.

Pembasahan faktor

PageRank teori berpendapat bahwa sebuah imajiner surfer yang secara acak mengklik pada link akan mengklik akhirnya berhenti. Kemungkinan, di setiap langkah, bahwa orang akan terus merupakan faktor d pembasahan. Berbagai penelitian telah diuji pembasahan berbagai faktor, namun umumnya diasumsikan bahwa faktor pembasahan akan ditetapkan sekitar 0,85.

Pembasahan adalah faktor yang subtracted dari 1 (dan dalam beberapa variasi dari algoritma, hasilnya dibagi dengan jumlah dokumen dalam koleksi) dan istilah ini kemudian ditambahkan ke dalam produk dari faktor pengurangan dan jumlah nilai yang masuk PageRank.

Itulah sebabnya,

atau (N = jumlah dokumen dalam koleksi)

Jadi setiap halaman PageRank besar berasal dari PageRank S bagian dari halaman lainnya. Pembasahan faktor yang berasal menyesuaikan nilai bawah. Kedua rumus di atas mendukung pernyataan di awal Page dan Brin dari kertas bahwa "jumlah semua PageRank S adalah satu".

Sayangnya, bagaimanapun, Page dan Brin memberi rumus pertama, yang telah menyebabkan beberapa kebingungan.

Google PageRank recalculates skor setiap kali menjelajah Web dan rebuilds dengan indeks. Karena Google akan meningkatkan jumlah dokumen dalam koleksi, dari perkiraan awal PageRank turun untuk semua dokumen.

Rumus menggunakan model acak surfer yang mendapat bosan setelah beberapa klik dan beralih ke halaman acak. Nilai PageRank halaman mencerminkan bahwa kesempatan random surfer akan tanah di halaman dengan mengklik link. Hal ini dapat dipahami sebagai sebuah rantai Markov di mana negara adalah halaman, dan transisi yang sama semua kemungkinan dan link antar halaman.

Jika halaman yang tidak memiliki link ke halaman lain, ia menjadi tenggelam dan karena itu terminates yang acak berselancar proses. Namun, solusinya cukup sederhana. Jika random surfer tiba di tenggelam halaman, picks lain URL secara acak dan terus berselancar lagi.

Ketika perhitungan PageRank, halaman tanpa link keluar dianggap ke semua link ke halaman lain dalam koleksi. PageRank adalah nilai mereka itu dibagi rata di antara semua halaman lainnya. Dengan kata lain, untuk menjadi adil dengan halaman yang tidak sink, acak transisi ini ditambahkan ke semua node di Web, dengan sisa probabilitas dari biasanya d = 0,85, diperkirakan dari frekuensi yang rata-rata surfer menggunakan browser-nya dari penunjuk fitur sebagai berikut:

dimana p1, p 2 ,...p N adalah halaman dibawah pertimbangan, F (p i) adalah kumpulan halaman yang memiliki pranala ke p i, L (p j) adalah jumlah link keluar pada halaman p j , dan N adalah jumlah total halaman.

PageRank adalah nilai masukan yang dominan eigenvector dari matriks adjacency dimodifikasi. Hal ini membuat PageRank khususnya yang elegan metrik: di eigenvector adalah :

dimana R adalah solusi dari persamaan

dimana fungsi adjacency adalah 0 jika halaman p i tidak link ke p j, dan normalised seperti itu, untuk setiap i

yaitu elemen setiap kolom jumlah hingga 1. Ini adalah varian dari pusat eigenvector mengukur umum digunakan dalam jaringan analisis.

Karena besarnya eigengap dari dimodifikasi matriks adjacency di atas, [7] dengan nilai-nilai PageRank eigenvector yang cepat untuk perkiraan (hanya beberapa Iterasi diperlukan).

Sebagai hasil dari Markov teori, dapat menunjukkan bahwa PageRank dari halaman yang kemungkinan menjadi pada halaman setelah banyak klik. Hal ini sama terjadi pada t - 1 dimana t adalah harapan jumlah klik (atau acak melompat) dari yang diperlukan untuk kembali ke halaman itu sendiri.

Utama adalah kerugian yang lebih nikmat halaman, karena halaman baru, bahkan yang sangat baik, tidak akan ada banyak link, kecuali jika la merupakan bagian dari situs yang sudah ada (situs menjadi padat terhubung set halaman, seperti Wikipedia).

Google Directory (sendiri yang turunan dari Open Directory Project) memungkinkan pengguna untuk melihat hasil diurutkan berdasarkan PageRank dalam kategori. Google Directory adalah satu-satunya layanan yang ditawarkan oleh Google di mana PageRank langsung menentukan urutan tampilan. Google dalam layanan pencarian lainnya (seperti utama pencarian Web) PageRank digunakan untuk timbangkan relevansi nilai yang ditampilkan di halaman hasil pencarian.

2.10 Pengenalan dan Sejarah PHP

PHP adalah bahasa pemrograman web atau Scripting language yang didesain untuk web. PHP dibuat pertama kali oleh satu orang yaitu Rasmus Lerdorf, yang pada awalnya dibuat untuk menghitung jumlah pengunjung pada homePagenya.