STUDI KINERJA FUNGSI-FUNGSI JARAK DAN SIMILARITAS DALAM CLUSTERING DOKUMEN TEKS BERBAHASA INDONESIA

Transkripsi

1 STUI KINERJA FUNGSI-FUNGSI JARAK AN SIMILARITAS ALAM CLUSTERING OKUMEN TEKS BERBAHASA INONESIA Amir Hamzah 1), F. Soesianto ), Ahi Susanto ), an Jazi Eko Istiyanto 3), 1) Jurusan Teknik Informatika, Institut Sains & Teknologi AKPRIN Yogyakarta Jl. Kali Sahak No.8, Komplek Balapan Yogyakarta 55 Tlp(074) amir@akprin.ac.i, miramzah@yahoo.co.i ) Jurusan Teknik Elektro, Fakultas Teknik, Universitas Gajah Maa Jl. Grafika Yogyakarta, Phone: (6) ,9000,9001 fhsoes@mti.gajahmaa.eu 3) Jurusan Fisika, Fakultas MIPA, Universitas Gajah Maa Sekip Utara, Phone: (074) , Yogyakarta, Inonesia jazi@ugm.ac.i Abstrak Clustering okumen teks banyak iteliti karena peranan pentingnya alam biang text-mining an information retrieval. alam algoritma clustering pemilihan fungsi jarak atau fungsi similaritas antar objek menjai kunci keberhasilan algoritma. Paa fungsi jarak, jarak eucliean paling sering igunakan. Fungsi ini memiliki kelemahan jika igunakan untuk vektor berimensi sangat tinggi yang menyebabkan kinerja clustering menurun. Alternatif ari fungsi jarak aalah fungsi similaritas, antara lain jaccar, ice, cosine an pearson. Penelitian ini melakukan kajian tentang unjuk kerja fungsi jarak eucliean engan empat fungsi similaritas tersebut i atas jika iterapkan untuk melakukan clustering okumen teks berbahasa Inonesia. ua penekatan clustering yang icobakan aalah penekatan hierarchi an partisi. Untuk penekatan hierachi igunakan teknik aglomeratif engan metoe similaritas cluster yaitu GroupAverage an CompleteLink. Untuk penekatan partisi juga icobakan metoe, yaitu Bisecting K-Mean an Buckshot. Koleksi okumen yang igunakan 1 koleksi okumen teks berita, yaitu engan cacah okumen, 100, 00, 300,, 0,, 700,, 1009, 170 an 1370 okumen. Semua koleksi telah ilakukan clustering secara manual. Kriteria kinerja clustering iukur berasarkan waktu komputasi an valiitas clustering. Untuk valiitas igunakan nilai F- measure, yaitu nilai yang iturunkan ari Recall an Precision yang mengukur kemampuan algoritma melakukan klasifikasi secara benar. Hasil penelitian menunjukkan bahwa hasil clustering terbaik aalah jika igunakan fungsi Cosine engan rata-rata F-measure untuk seluruh koleksi 0,9313; sementara yang terburuk aalah jika igunakan fungsi jarak eucleian engan rata-rata F-measure 0,4668. Secara waktu komputasi fungsi cosine juga memiliki kinerja tercepat engan rata-rata 1,9 etik seangkan terjelek aalah pearson engan rata-rata 58, etik. Kata Kunci: clustering okumen, valiitas clustering, fungsi similaritas 1. PENAHULUAN ocument Clustering banyak iteliti karena peranan pentingnya alam biang text-mining an information retrieval. alam teknik clustering berbasis feature kata engan moel ruang vektor setiap objek okumen ianaikan sebagai vektor imensi tinggi engan kata-kata yang muncul alam koleksi okumen ianggap sebagai absis alam ruang vektor tersebut. alam kajian clustering objek secara umum ukuran keekatan antar vektor objek yang ikluster lebih sering igunakan ukuran jarak, yaitu jarak eucliean. Ukuran ini mengasumsikan bahwa antar sumbu koorinat alam ruang vektor aalah saling bebas. alam vektor okumen imana koorinat aalah kata yang iekstrak ari koleksi okumen asumsi ini sebenarnya sulit ipenuhi karena biasanya alam okumen selalu aa kata yang kemunculannya tergantung paa kata yang lain. Untuk mengatasi hal ini ukuran keekatan okumen apat iukur engan fungsi lain, yaitu fungsi similaritas. Beberapa fungsi similaritas yang biasa igunakan antara lain aalah fungsi jaccar, ice, cosine an pearson. Perbaningan kinerja antar fungsi-fungsi similaritas ini an perbaningannya engan fungsi jarak eucliean jarang ilakukan. Paa sisi lain fungsi jarak an similaritas ini merupakan persoalan paling krusial alam kinerja clustering. Untuk itulah alam penelitian ini akan ilakukan upaya perbaningan kinerja fungsi-fungsi tersebut alam clustering okumen teks. Penelitian ini mencari fungsi mana yang paling efektif an efisien secara komputasional. Ukuran efektivitas iukur engan F-measure, yaitu nilai yang iukur ari Recall an Precision, seangkan efisiensi iukur engan waktu komputasi yang iperlukan untuk menyelesaiakn proses clustering. 1

2 . TINJAUAN PUSTAKA.1 Moel ruang vektor Moel ruang vektor untuk koleksi okumen menganaikan okumen sebagai sebuah vektor alam ruang kata (feature) (Rijsbergen, 1979). Clustering okumen ipanang sebagai pengelompokan vektor berasarkan suatu fungsi jarak atau similarity antar ua vektor tersebut. Jika koleksi n buah okumen apat iineks oleh t buah term/feature maka suatu okumen apat ipanang sebagai vektor berimensi t alam ruang term tersebut. engan emikian koleksi okumen apat ituliskan sebagai matrik kata-okumen X, yang apat itulis : X = {x ij } i= 1,,..t ; j =1,,.. N (1) x ij aalah bobot term i alam okumen ke j Proses menyusunan matrik kata-okumen (sering isebut tahap pre-processing) aalah sebagai berikut: tahap awal aalah pengubahan ekspresi kata ke lower-case an penghilangan stop-wor, seperti artikel atau preposisi misalnya ini, itu, yang, yaitu an lain-lain. Penghilangan stop-wor ini apat mengurangi frekuensi feature 30 sampai 40 persen (Rijsbergen,1979). Proses leksikal yang lain terhaap feature kata aalah proses stemming, yang akan mereuksi semua kata ke alam akar katanya. Algoritma stemming yang suah luas iterapkan alam sistem IR aalah algoritma yang ibangun oleh Porter (1987), biasa isebut engan Porter Stemmer. Algoritma ini telah imoifikasi ke alam berbagai bahasa. Moifikasi untuk bahasa Inonesia ilakukan oleh Tala(004). Review etail tentang stemmer bahasa Inonesia telah ilakukan oleh Asian(005), seangkan efek stemming paa clustering okumen bahasa Inonesia ilakuan oleh Hamzah (006). Untuk meningkatkan kemampuan term sebagai pembea okumen pembobotan atas term perlu ilakukan. Pembobotan asar ilakukan engan menghitung frekuensi kemunculan term alam okumen karena ipercaya bahwa frekuensi kemunculan term merupakan petunjuk sejauh mana term tersebut mewakili isi okumen. Menurut Luhn (1958), kekuatan pembea terkait engan frekuensi term (term-frequency, tf), i mana term yang memiliki kekuatan iskriminasi aalah term engan frekuensi seang. Untuk itu pemotongan frekuensi bawah biasanya itempuh engan memberikan treshol tertentu untuk minimal jumlah okumen yang memuat term tersebut. Pemotongan term engan frekuensi tinggi ilakukan engan membuang stop-wor.. Pembobotan Term (term weighting) Penggunaan hanya frekuensi term alam okumen sebagai bobot term tersebut alam representasi okumen tiaklah memaai. Hal ini karena bias apat muncul ari faktor lain, misalnya banyaknya okumen yang memuat term tersebut, atau faktor panjang okumen imana term tersebut muncul (Rijsbergen, 1979). Faktor panjang okumen alam koleksi berakibat seolah-olah term yang sering muncul paa okumen panjang lebih penting ari paa term yang kurang sering muncul paa okumen penek. Untuk itu normalisasi frekuensi term terhaap panjang okumen iperlukan. Secara umum bentuk pembobotan akhir term apat irangkumkan sebagai berikut (Chisholm et.al.,1999) : w ij =L ij.g i.n j () i mana w ij aalah akhir bobot total term i alam okumen ke j, L ij aalah bobot lokal term i alam okumen ke j yang mengukur seberapa penting peranan term i alam okumen j, G i bobot global term i yang mengukur seberapa penting term i alam seluruh koleksi okumen, an N j aalah faktor normalisasi untuk okumen ke j untuk menghilangkan pengaruh bias karena panjang okumen. Berbagai variasi pembobotan lokal, global an normalisasi yang apat iterapkan paa vektor okumen irangkumkan alam Chisholm et.al. (1999). N Kombinasi terbaik yang sering igunakan aalah f ij untuk bobot lokal L ij (isebut TF), an log sebagai n i bobot global G i (isebut IF) an pembobotan normal sehingga panjang vektor aalah satu, yaitu : N j = = m i 0 1 (3) ( G i L ) Sehingga bentuk akhir isebut sebagai pembobotan TF-IF ternormalisasi, yaitu : ij

3 w ij = N (log( f + ij 1).log n (4) i t N (log( f ij + 1).log i= 1 ni i mana w ij aalah akhir bobot total term i alam okumen ke j, f ij aalah frekuensi kata ke-i alam okumen kej, N cacah okumen alam koleksi, n i cacah okumen menganung term i an t aalah cacah total term..3 Fungsi jarak an similaritas antar vektor okumen Kesamaan antara okumen i engan okumen j apat iukur engan fungsi similaritas ( mengukur kesamaan) atau fungsi jarak (mengukura ketiaksamaan). Beberapa fungsi similaritas an fungsi jarak yang apat ijumpai antara lain aalah ice, Jaccar, Eucliean istance, Pearson Correlation an Cosine-similarity (Tombros, 00). Berikut ini formula fungsi-fungsi tersebut : ice: sim( i, j ) = Jaccar : sim( i, j ) = k = 1 + ik ik k = 1 k = 1 k= 1 ik + i= 1 k= 1 k= 1 ik ik (5) (6) Eucleian istance: is( i, j ) = ( ik ) (7) k= 1 Cosine : sim( i, j ) = i= 1 ( ik ) k = 1 k = 1 i j ( ) (8) Pearson Correlation : sim( i, j ) = 1 ( i i ) i i T ( j j ) + 1 j j (9) Menurut Strehl et.al. (000) untuk tujuan clustering okumen jarak fungsi yang paling baik aalah fungsi similaritas Cosine. Akan tetapi ibaningkan engan fungsi similaritas yang lain, seperti jaccar, ice an pearson, kelebihan cosine ini belum icobakan an ielaborasi. Secara formula fo\ungsi cosine memiliki keuntungan untuk efisiensi komputasi, yaitu apabila vektor okumen tarnsformasikan ke alam bentuk vektor satuan, maka sehingga i =1 an j =1 maka fungsi similaritas cosine menjai seerhana, yaitu sekear perkalian antar vektor, yaitu : t Cosine-sim( i, j ) = (10) i= 1 i j.4 Algoritma Clustering okumen alam moel ruang vektor ikenal ua penekatan algoritma clustering, yaitu hierarchi an partisi (Jain,1988). ari penerapan clustering yang luas paa biang sains an teknik salah satu penerapannya aalah untuk clustering okumen. ari algoritma hierarchi aa ua penekatan, yaitu ivisive an aglomerative. ari ua penekatan tersebut, penekatan agglomerative lebih banyak iteliti untuk clustering okumen. 3

4 Metoe Hierarchi Agglomerative untuk Clustering okumen Berikut ini algoritma asar klustering secara aglomerative, engan menggunakan notasi cluster, N = cacah objek an c = cacah cluster yang akan ibuat: [1]. Anaikan ĉ =N ; himpunan objek C={x i }, i=1,, n []. Jika ĉ < c stop [3]. Temukan ua kluster terekat : C i an C j [4]. gabungkan C i an C j, hapus C j an kurangi ĉ engan satu [5]. 5. Pergi ke langkah ĉ = himpunan Tahap paling krusial yaitu langkah 3, tahap penggabungan kluster yang itentukan engan beberapa ukuran similaritas antar kluster. Beberapa metoe penggabungan kluster antara lain : UPGMA, CST, IST, Single Link an Complete Link (Jain,1988). Menurut Hamzah kk (007) untuk clustering okumen teks metoe yang terbaik aalah UPGMA an Complete Link. Berikut ini ringkasan masing-masing teknik tersebut: Unweighte Pair Group Metho Average similarity (UPGMA): Similaritas ua kluster iukur engan rata-rata hitung similaritas antar seluruh pasangan titik antara keua kluster. Complete Link(CL) : jarak terbaik ua kluster iwakili oleh jarak terjauh (similaritas terenah) ari ua titik ari ua kluster. K-Means Clustering Algoritma K-means clustering merupakan algortima iteratif engan meminimalkan jumlah kuarat error antara vektor objek engan pusat kluster terekatnya (Jain, 1988). Algoritma K-means stanar apat ituliskan sebagai : [1]. Ambil K objek sebagai see ari K pusat kluster []. Untuk semua objek: cari kluster engan jarak terekat, an tetapkan objek masuk alam kluster tersebut. [3]. Hitung ulang pusat kluster engan rata-rata objek alam kluster tersebut [4]. Hitung fungsi kriteria an lakukan evaluasi. Jika fungsi kriteria berubah cukup kecil algoritma berhenti. Bisecting K-Means Clustering Metoe Bisecting K-means Steinbach et.al. (000) mencoba menggabungkan penekatan partitional engan ivisive hierarchical, yaitu mula-mula seluruh okumen ibagi ua engan cara K-means (bisectingstep). Selanjutnya cara itu ikenakan paa suatu kluster yang ipilih engan cara tertentu sampai iperoleh K buah kluster. Berikut ini algoritmanya : [1]. Ambil satu kluster untuk isplit engan K-means (bisecting step) []. Ulangi langkah [1] sebanyak ITER kali, an ambil hasil terbaik yang memiliki overal similarity terbesar. [3]. Ulangi langkah [1] an [] sampai iapatkan K buah kluster. Overall similarity paa langkah [] itentukan sebagai rata-rata similaritas setiap titik terhaap pusat klusternya masing-masing. Seangkan pemilihan kluster paa langkah satu paa setiap iterasinya apat igunakan cara memilih kluster engan ukuran cacah objek terbesar atau memilih kluster yang memiliki variance terbesar. Buckshot Clustering Algoritma Buckshot menggunakan penekatan hierarchie agglomerative untuk menapatkan k buah vektor sebagai pusat kluster awal (Cutting et.al.,199). Langkah Buckshot mula-mula mengambil sampel acak sebesar kn buah okumen, yang ikluster engan cluster subroutine, yaitu proseur hierarchie agglomerative untuk menapatkan k buah kluster. Selanjutnya engan partisi awal yang iapat ari Buckshot proses refinement ilakukan sebagaimana alam K-means clustering..5 Parameter kinerja clustering Parameter kinerja paa stui clustering teriri ari ua parameter, yaitu parameter yang mengukur sejauh mana algoritma apat menyerupai clustering yang ilakukan secara manual oleh manusia ( ahli ) an waktu yang iperlukan untuk melakukan clustering. Untuk penelitian ini ahli telah ibentuk tim kecil teriri 3 4

5 osen (termasuk penulis) an mahasiswa untuk melakukan clustering secara manual seluruh koleksi okumen yang icobakan. Untuk kinerja yang pertama parameter yang igunakan aalah engan menghitung F-measure yang iturunkan ari tabel confusion-matrix seperti Tabel 1 berikut : Manual (i) Class (i) Tabel 1. Hubungan Nilai Actual-Class an Preicte Algoritma Clustering (j) Custer-1 Cluster- Total Per Class Cass-1 n 11 n 1 n i, i=1 Class- n 1 n ni, i= Total Per Cluster nj, j=1 nj, j= n ari tabel iturunkan nilai R an P, yakni jika j mewakili clustering oleh algoritma an i mewakili klasifikasi manual, apat itentukan : R = Recall( i, j ) = n ij /n i (11) P = Precision( i, j ) = n ij /n j (1) F( i ) = PR/(P+R) (13) engan F(i) iambil nilai terbesar ari setiap kluster untuk class i. F-measure keseluruhan cluster hasil clustering aalah : ni xf( i) i F-measure = (14) n 3. METOE PENELITIAN Bahan ari penelitian ini aalah koleksi okumen teks berita yang iownloa ari beberapa sumber news online i internet, yaitu Tempo online, Kompas online an e-library.com. Koleksi yang okumen asalnya berupa file-file html iformat ulang engan membuang tag-tag html an menggabungkannya menjai satu file. Setiap koleksi isimpan alam satu file yang teriri ari okumen-okumen yang suah murni berupa okumen teks. Setiap okumen yang satu engan okumen lain ipisahkan engan tag <OC>..</OC>. Aapun format setiap okumen aakah seperti Gambar 1. Statistik koleksi berita yang igunakan alam penelitian ini secara lengkap isajikan seperti paa Tabel 1. Beberapa perangkat lunak sebagai alat yang igunakan paa penelitian ini aalah sebagai berikut. a) Komputasi ilakukan engan menggunakan komputer PC Intel Pentium IV.8GHz, RAM 1GB, Har isk 80 GB, an sistem operasi Winows XP Professional. b) Bahasa pemrograman yang ipergunakan aalah Borlan C++ Builer 5.0, java 1.4.1_, an Matlab versi <OC> <OCNO>news10513-html</OCNO> mayjen syafrie samsuin akan jai kapuspen tni jakarta meia mantan pangam jaya mayjen syafrie samsuin akan menjai kapuspen tni menggantikan marsekal mua graito husoo menurut informasi yang iperoleh antara jakarta kamis syafrie samsuin menjai kapuspen tni an serah terima jabatan akan ilakukan paa akhir februari 00 namun kebenaran informasi tersebut hingga kini belum apat ikonfirmasikan ke kapuspen tni m-1 </OC> Gambar 1. Format okumen berita 5

6 Nama Koleksi Cacah ok Cacah cluster Tabel. Nama Koleksi okumen teks berita Ukuran Cluster Cch Kata Unik Min Cch kata/ok Max Cch kata/ ok Rerata juml kata/ ok Nws 5 Sama Nws Sama Nws Sama Nws Bea Nws 11 Bea Nws Bea Nws 13 Bea Nws Bea Nws 14 Bea Nws Bea Nws Bea Nws Bea Program clustering an evaluasi clustering ikoekan engan java (1.4.1_). Paa seluruh koleksi ilakukan clustering engan berbagai algoritma clustering. Setiap algoritma ikoekan engan 5 macam fungsi, 1 fungsi jarak eucleian an 4 fungsi similaritas. Hasil kinerja clustering ibaningkan engan membaningkan nilai F- measurenya. 4. HASIL AN PEMBAHASAN Hasil perancangan antar muka untuk proses clustering engan berbagai macam fungsi similaritas memiliki tampilan seperti paa gambar berikut. Paa tampilan tersebut list okumen paa tiap-tiap cluster tiak itampilkan untuk menghemat ruang. Selanjutnya untuk algoritma hiararchi an partisi masing-masing ilakukan pengujian secara terpisah. Gambar. Perancangan antar muka proses clustering okumen 4.1 Hasil perbaningan paa algoritma hierarchi Berikut ini hasil perbaningan kinerja fungsi jarak an similaritas paa algoritma hierarchi engan metoe penggabungan kluster UPGMA. Tabel 3 an gambar menunjukkan hasil kinerja tersebut. 6

7 Tabel 3. Nilai F-measure hasil clustering engan metoe UPGMA engan 5 fungsi Koleksi COSN EUCL JACC ICE PEAR 1,0000 0,8493 0,6566 1,0000 0, ,9856 0,7474 0,9006 0,956 0, ,9848 0,376 0,956 0,965 0, ,9834 0,4139 0,945 0,9654 0,95 0,9545 0,3765 0,8397 0,9354 0, ,9139 0,3987 0,8333 0,9078 0,47 0,8581 0,487 0,813 0,841 0, ,8873 0,3457 0,8735 0,851 0,3456 0,9109 0,786 0,8656 0,8917 0, ,8345 0,761 0,7473 0,8111 0, ,8403 0,745 0,7573 0,801 0, ,89 0,657 0,6734 0,784 0,4534 Average 0,9170 0,4193 0,815 0,8898 0,959 F-measure 1,0 1,00 0,80 0,60 0,40 0, Koleksi okumen COSN EUCLI JACC ICE PEARSN Gambar 3. Nilai F-measure engan algoritma UPGMA untuk 5 fungsi ari tabel 3 terlihat bahwa fungsi similaritas cosine memiliki kinerja rata-rata terbaik (0,9170) an terbaik paa kinerja setiap koleksi seperti tampak alam grafik gambar 3. Urutan keua aalah fungsi ice (0,8898). Fungsi similaritas ice memiliki formula yang mirip engan cosine. Fungsi engan kinerja terjelek aalah similaritas engan korelasi pearson (0,959). Untuk penggunaan fungsi jarak eucliean kinerjanya, meskipun bukan terjelek, tetapi cukup kecil yaitu rata-rata 0,4193. Tabel 4. Waktu komputasi (etik) clustering engan metoe UPGMA engan 5 fungsi Koleksi COSS EUCL JACC ICE PEAR 0,031 0,094 0,047 0,110 0, ,094 0,453 0,110 0,110, ,797 4,81 0,813 0,813 3, 300,657 16,610,687,790 16,480 6,016 3,870 6,38 5,15 37, ,688 53,311 10,66 9,880 43,560 16,97 87,860 16,0 16, , ,390 15,0 5,560 5,10 678,457 34,830 18,0 36,980 34, , , ,960 6, 61, , , ,18 16, , , ,797 98,03 198,4 199, ,300 Average 39,810 3,783 48,037 4, ,14 7

8 Secara waktu komputasi paa algoritma UPGMA juga terlihat bahwa fungsi similaritas cosine memiliki efisiensi yang paling tinggi, yaitu rata-rata 39,81 etik. Seangkan waktu komputasi yang paling buruk aalah paa fungsi pearson yang memiliki rata-rata 581,14 etik. Fungsi jarak eucliean juga memiliki efisiensi yang renah ibaningkan engan fungsi similaritas seperti ice an jaccar. Untuk waktu komputasi engan algoritma UPGMA bagi 5 fungsi yang itinjau apat isajikan alam tabel 4 an gambar 4. Time (sec) 1,00 1, ,00,00, Koleksi okumen COSN EULCI JACCR ICE Series5 Gambar 4. Waktu komputasi (etik) clustering engan algoritma UPGMA untuk 5 fungsi Untuk algoritma hierarchi agglomerative menggunakan metoe penggabungan cluster Complete Link, hasil kinerja fungsi-fungsi tiak jauh berbea engan UPGMA ari segi efektivitas an efisiensi komputasinya. Grafik F-measure an grafik waktu komputasi isajikan alam gambar 5 (a) an (b). F-measure 1,0 1,00 0,80 0,60 0,40 0, Koleksi okumen COSN EUCLI JACCR ICE PEARSN Time (sec),00, Koleksi okumen 170 COSN EUCL JACCR ICE PEARSN (a) (b) Gambar 5. Efektifitas an efisiensi fungsi jarak an similaritas paa algoritma Complete Link (a) Nilai F-measure ari 5 fungsi (b) Waktu komputasi (etik) ari 5 fungsi 4. Hasil perbaningan paa algoritma partisi Paa perbaningan kinerja fungsi similaritas engan algoritma engan penekatan partisi hasilnya memiliki pola yang hampir sama engan penekatan hierarchi. Berikut ini hasil perbaningan kinerja fungsi jarak an similaritas paa algoritma partisi metoe Buckshot an metoe Bisecting K-Means. Paa ua penekatan ini kinerja terbaik juga icapai jika fungsi similaritas aalah cosine, isusul yang keua fungsi ice, fungsi Jaccar, eucliean an yang terburuk háala fungsi korelasi pearson. Tabel 5 menunjukkan nilai-nilai F- measure untuk metoe Buckshot. Untuk Bisecting K-mean hasil grafik F-measure an waktu komputasi apat ilihat paa gambar 6. Pola ini sama juga engan pola paa BuckShot, Complete Link an UPGMA. Jika icermati paa formula fungsi similaritas an fungsi jarak yang icobakan, fungsi cosine merupakan fungsi yang paling seerhana, yakni jika vektor okumen alam keaaan normal sehingga operasi yang ilakukan háala perkalian vektor saja. Inilah yang menyebabkan fungsi cosine memiliki efisiensi komputasi yang paling baik. Paa fungsi lain seperti korelasi-pearson memiliki formula yang paling kompleks sehingga efisiensi komputasinya paling renah an kinerjanya paling buruk. 8

9 Untuk fungsi jarak euclieean juga terlihat memiliki kenerja yang relatif buruk meskipun tiak lebih buruk ari korelasi pearson, tetapi kinerjanya lebih buruk ari fungsi similaritas ice an jaccar. Kinerja yang jelek ari fungsi eucliean ini háala karena fungsi jarak ini mengasumsikan inepenensi yang tinggi antar koorinat vektor alam ruang vektor. Fungsi jarak eucliean juga terlihat menurun rastis jika imenai ruang vektor semakin tingi, meskipun paa fungsi lainpun terjai penurunan kinerja jika imensi semakin tinggi. Tabel 5. Nilai F-measure hasil clustering engan metoe BUCKSHOT engan 5 fungsi Koleksi COSN EUCL JACC ICE PEAR 0,9845 0,7654 0,8974 0,9674 0, ,9830 0,753 0,8976 0,933 0, ,9343 0,543 0,956 0,965 0, ,9654 0,4356 0,945 0,984 0,34 0,9545 0,4011 0,8754 0,9354 0, ,91 0,3987 0,8854 0,934 0,343 0,843 0,487 0,813 0,8543 0, ,8754 0,453 0,7867 0,851 0,3564 0,8944 0,4987 0,813 0,8876 0, ,803 0,43 0,7473 0,833 0, ,8430 0,4678 0,7640 0,813 0, ,80 0,4356 0,6734 0,7845 0,33 Average 0,9019 0,11 0,8375 0,893 0,339 F-measure 1,0 1,00 0,80 0,60 0,40 0, Koleksi okumen COSN EUCLI JACCR ICE PEARSN Time (sec) 18,00 16,00 14,00 1,00 1 8,00 6,00 4,00,00 00 Koleksi okumen Cosine Eucli Jaccar ice Pearson Gambar 6. Efektifitas an efisiensi fungsi jarak an similaritas paa algoritma Bisecting K-Means (a) Nilai F-measure ari 5 fungsi (b) Waktu komputasi (etik) ari 5 fungsi 5. KESIMPULAN Beberapa kesimpulan yang apat iambil ari penelitian ini aalah : - Paa semua algoritma yang icobakan, yaitu UPGMA an Complete paa penekatan hierarchi an Buckshot an Bisecting K-Mean paa penekatan partisi fungsi similaritas Cosine secara consisten menunjukkan kinerja yang terbaik, baik paa sisi hasil clusteringnya yang memiliki rata-rata F-measure paling tinggi maupun arisisi efisiensi komputasinya yang memiliki rata-rata paling renah - Fungsi yang kinerjanya terburuk aalah fungsi similaritas korelasi pearson. iuga kinerja komputasi yang buruk karena kompleksitas formulanya - Fungsi similaritas yang lain, yaitu ice an Jaccr kinerjanya menekati fungsi similaritas cosine, meskipun ari sisi efisiensi komputasinya masih kalah engan cosine - Fungsi jarak eucliean memiliki kinerja yang buruk meskipun tiak yang terburuk, baik ari sisi hasil clustering yang ihasilkan maupun ari sisi efisiensi komputasinya. 9

10 6. AFTAR PUSTAKA Asian, J., H. E. Williams, an S. M. M. Tahaghoghi, 005, Stemming Inonesian, 8th Australian Computer Science Conference (ACS005). Chisholm, E. an T. G. Kola, 1999, New Term Weighting Formula for the Vector Space Metho in Information Retrieval, Research Report, Computer Science an Mathematics ivision, Oak Rige National Library, Oak Rige, TN , March Cutting,. R.,. R. Karger, J. O. Peerson, an J. W. Tukey,199, Scatter/Gather:A Cluster-base Approach to Browsing Large ocument Collection, Proceing 15 th Annual Int 7ACM SIGIR Conference on R& in IR, June 199. Hamzah, A., Ahi Susanto, F.Soesianto, Jazi Eko Istiyanto, 007, Stui Komparasi Algoritma Hierarchical an Partitional Untuk Clustering okumen Teks Berbahasa Inonesia, Jurnal Terakreitasi, ACAEMIA ISTA Agustus 007 Jain, A.K. an R. C. ubes, 001, Algorithms for Clustering ata, Prentice-Hall. Luhn, H.P. (1958), The Automatic Creation of Literature Abstracts. IBM Journal of Research an evelopment, : Porter, M., 1980, An Algorithm for Suffix Stripping, Program 13(3), Rijsbergen, C. J.,1979, Information Retrieval, Information Retrieval Group, University of Glasgow. Steinbach, M., G. Karypis, an V. Kumar, 000, A Comparison of ocument Clustering Techniques, K Workshop on Text Mining, Strehl, A., J. Ghosh, an R. Mooney, 000, Impact of Similarity Measures on Web-Page Clustering, Proceeing of the Workshop of Artificial Intelligent for Web Search, 17 th National Conference on Artificial Intelligence, July 000. Tala, F. Z., 004, A Stuy of Stemming Effect on Information Retrieval in Bahasa Inonesia, Master Thesis, Universiteit van Amsteram, The Netherlans 30