Implementasi Metode Improved K-Means Untuk Mengelompokkan Dokumen Jurnal Pengembangan Teknologi Informasi Dan Ilmu Komputer

Transkripsi

1 Jurnal Pengembangan Teknologi Informasi dan Ilmu Komputer e-issn: X Vol. 2, No., Oktober 28, hlm Implementasi Metode Improved K-Means Untuk Mengelompokkan Dokumen Jurnal Pengembangan Teknologi Informasi Dan Ilmu Komputer Muhammad Abdurasyid, Indriati 2, Rizal Setya Perdana 3 Program Studi Teknik Informatika, muhammadabdurasyid@gmail.com, 2 indriati.tif@ub.ac.id, 3 rizalespe@ub.ac.id Abstrak Jurnal Pengembangan Teknologi Informasi dan Ilmu Komputer (J-PTIIK) merupakan jurnal keilmuan di bidang komputer yang memuat tulisan ilmiah hasil penelitian mahasiswa/i FILKOM Universitas Brawijaya yang diterbitkan secara berkala. J-PTIIK merupakan dokumen jurnal yang memiliki topik jurnal berada dalam bidang teknologi informasi dan ilmu komputer. Pada saat ini J-PTIIK dikelompokkan berdasarkan arsip volume dan nomor terbit jurnal. Untuk memudahkan identifikasi topik jurnal yang terdapat pada J-PTIIK, maka dokumen J-PTIIK dapat dikelompokkan berdasarkan kemiripan topik yang terdapat dalam J-PTIIK. Pengelompokan dokumen J-PTIIK dibuat dengan menggunakan metode improved k-means. Metode improved k-means merupakan teknik klasterisasi unsupervised dengan penentuan centroid awal klaster diperoleh dengan cara menggabungkan metode optimasi jarak dan densitas. Praproses dokumen dan pembentukan vector space model untuk melakukan pembobotan kata dilakukan terlebih dahulu sebelum mengelompokkan dokumen J-PTIIK. Berdasarkan hasil pengujian, pengelompokan dokumen J-PTIIK memperoleh hasil silhouette coefficient optimal sebesar,26574 pada k = 9 dan α =,5. Hasil pengujian purity optimal diperoleh sebesar,73897 pada k = 23 dan α =,5. Hasil penelitian menunjukkan penggunaan metode improved k-means memiliki silhouette coefficient yang lebih baik dibandingkan metode k-means, dengan nilai rata-rata silhouette coefficient pada metode improved k-means sebesar, dan metode k-means sebesar, Kata Kunci: Praproses Teks, Vector Space Model, Pembobotan Kata, Klasterisasi, Improved K-Means Abstract Journal of Information Technology and Computer Science Development (J-PTIIK) is a scientific journal in the field of computer that contains scientific writings of research results FILKOM Brawijaya University students that published periodically. J-PTIIK is a journal document that has journal topics that are in the field of information technology and computer science. At this time J-PTIIK is clustered by volume archive and published journal number. To facilitate the identification of journal topics contained in J-PTIIK, J-PTIIK documents can be clustered based on similarity of topics contained in J- PTIIK. J-PTIIK documents clustering is made using improved k-means method. The improved k-means method is the unsupervised clustering techniques with the initial centroid determination obtained by combining the optimization method of distance and density. Document pre-processing and formation of vector space model to perform term weighting is done first before clustering the J-PTIIK documents. Based on the evaluation results, J-PTIIK documents clustering obtained an optimal silhouette coefficient by at k = 9 and α =.5. Optimal purity test results obtained by at k = 23 and α =.5. The research result shows that the use of improved k-means method has better silhouette coefficient than k-means method, with average value of silhouette coefficient at improved k-means method by and k-means method by Keywords: Text Pre-Processing, Vector Space Model, Term Weighting, Clustering, Improved K-Means. PENDAHULUAN Jurnal ilmiah merupakan majalah publikasi yang diterbitkan secara berkala mengandung data dan informasi yang mengajukan iptek dan Fakultas Ilmu Komputer Universitas Brawijaya 3939

2 Jurnal Pengembangan Teknologi Informasi dan Ilmu Komputer 394 ditulis sesuai dengan kaidah-kaidah penulisan ilmiah. Di Fakultas Ilmu Komputer (FILKOM) Universitas Brawijaya terdapat publikasi jurnal ilmiah yang dikenal dengan nama Jurnal Pengembangan Teknologi Informasi dan Ilmu Komputer atau biasa disingkat J-PTIIK. J-PTIIK merupakan jurnal keilmuan di bidang komputer yang memuat tulisan ilmiah hasil penelitian mahasiswa/i FILKOM Universitas Brawijaya, dimana hasil penelitian berasal dari keminatan program studi FILKOM Universitas Brawijaya. J-PTIIK dapat diakses secara online dengan menggunakan web browser. J-PTIIK pada saat ini dikelompokkan berdasarkan arsip volume dan nomor terbit jurnal. J-PTIIK yang merupakan sebuah dokumen jurnal memiliki topik jurnal yang berada dalam bidang teknologi informasi dan ilmu komputer. Untuk memudahkan identifikasi topik jurnal yang terdapat pada J- PTIIK, maka dokumen J-PTIIK dapat dikelompokkan berdasarkan kemiripan topik yang terdapat dalam J-PTIIK. Pengelompokan dokumen J-PTIIK dapat dilakukan dengan menggunakan teknik klasterisasi agar dokumen J-PTIIK dikelompokkan berdasarkan kemiripan objek topik antar dokumen J-PTIIK di dalam suatu klaster. Klasterisasi merupakan salah satu teknik yang efisien digunakan pada data mining dalam melakukan pengelompokan objek ke dalam kelas yang sama berdasarkan tingkat kemiripan antar objek dalam kelas. Teknik klasterisasi terdiri dari dua model, antara lain model hierarki dan model partisi. Salah satu algoritme klasterisasi yang banyak digunakan pada model partisi adalah metode k-means (Reddy & Jana, 22). Metode k-means merupakan algoritme yang cukup sederhana dan termasuk ke dalam teknik klasterisasi unsupervised (Karimov & Ozbayoglu, 25). Metode k-means membandingkan nilai jarak terhadap centroid pada masing-masing klaster yaitu nilai rata-rata centroid klaster (Chayangkoon & Srivihok, 26). Metode k- means memiliki beberapa batasan masalah dalam prosesnya. Salah satu batasan masalah yang terdapat dalam metode k-means adalah pemilihan centroid awal yang dilakukan secara acak. Pemilihan centroid awal secara acak dapat menghasilkan kualitas klaster yang tidak baik (Rahman, Islam, & Bossomaier, 25). Pemilihan centroid awal secara acak juga menyebabkan hasil klaster yang selalu berbeda pada tiap proses pengelompokan (Karimov & Ozbayoglu, 25). Oleh karena batasan masalah tersebut, metode improved k-means digunakan sebagai solusi untuk memilih centroid awal yang akan digunakan dalam proses k-means. Dalam prosesnya metode improved k-means terlebih dahulu mencari centroid awal klaster, hal ini berbeda dengan metode k-means yang menentukan centroid awal secara acak. Hasil evaluasi metode improved k-means pada saat digunakan untuk mengelompokkan hasil pencarian dokumen web memiliki kualitas klaster yang lebih tinggi berdasarkan pengukuran jarak intra klaster dan inter klaster bila dibandingkan dengan k-means (Poomagal & Hamsapriya, 2). Hasil evaluasi metode improved k-means juga memiliki akurasi yang lebih baik bila dibandingkan dengan menggunakan metode k-means (Sutariya & Amin, 23). Hasil evaluasi metode improved k- means yang digunakan untuk mengelompokkan dokumen teks berbahasa Cina dasar juga memiliki nilai presisi dan recall yang lebih tinggi bila dibandingkan dengan metode k- means (Xiong, et al., 26). Berdasarkan permasalahan yang ada, maka penulis mengajukan penelitian yang memiliki luaran berupa sebuah sistem pengelompokan dokumen J-PTIIK dengan menggunakan metode improved k-means. 2. STUDI PUSTAKA 2.. Jurnal Pengembangan Teknologi Informasi dan Ilmu Komputer Jurnal Pengembangan Teknologi Informasi dan Ilmu Komputer (J-PTIIK) merupakan jurnal keilmuan di bidang komputer yang memuat tulisan ilmiah hasil dari penelitian mahasiswa/i Fakultas Ilmu Komputer (FILKOM) Universitas Brawijaya. J-PTIIK memiliki luaran dalam mengembangkan penelitian dan memberikan kontribusi yang berarti dalam meningkatkan sumber daya penelitian di bidang teknologi informasi dan ilmu komputer. J-PTIIK diterbitkan oleh Fakultas Ilmu Komputer (FILKOM) Universitas Brawijaya, dimana jurnal ini merupakan hasil penelitian yang berasal dari program studi FILKOM Universitas Brawijaya seperti magister ilmu komputer, teknik informatika, sistem komputer, sistem informasi, teknologi informasi dan pendidikan teknologi informasi. Jurnal pengembangan teknologi informasi dan ilmu komputer dapat dilihat dan diakses secara online melalui web J-PTIIK yang

3 Jurnal Pengembangan Teknologi Informasi dan Ilmu Komputer 394 beralamatkan di j-ptiik.ub.ac.id. J-PTIIK dikelompokkan berdasarkan arsip volume dan nomor terbit, dimana volume menandakan tahun terbit jurnal sementara nomor terbit menandakan bulan terbit jurnal. J-PTIIK diterbitkan sebulan sekali oleh FILKOM Universitas Brawijaya. J- PTIIK pertama kali terbit di bulan Januari 27 dengan kode arsip Vol No (27). J-PTIIK memiliki topik jurnal yang berada dalam bidang teknologi informasi dan ilmu komputer. Beberapa topik J-PTIIK yang sudah terbit antara lain adalah seperti sistem pakar, fuzzy, algoritme genetika, pengembangan perangkat lunak, pengembangan jaringan dan topik-topik teknologi informasi dan ilmu komputer lainnya. Sehingga J-PTIIK dapat dilakukan pengelompokan berdasarkan kemiripan topik yang terdapat dalam J-PTIIK Text Mining Text mining adalah suatu proses dalam menemukan dan mengekstrak informasi dari sekumpulan sumber teks yang banyak dan tidak terstruktur (KM & Reddy, 26). Sumber teks dapat berupa , chat, SMS, artikel koran, jurnal, ulasan produk dan catatan organisasi. Teks yang tidak terstruktur ini tidak mudah diproses oleh komputer sehingga dibutuhkan beberapa teknik untuk mengekstrak beberapa informasi (Dang & Ahmad, 24). Text mining biasa dilalukan untuk tujuan khusus dan informasi hasil text mining disimpan ke dalam sebuah database (Kumar & Bhatia, 23). Penelitian dalam text mining merupakan pengembangan dalam beberapa teknik matematika, statistik, linguistik dan pengenalan pola yang mampu menganalisis informasi tidak terstruktur secara otomatis sehingga menghasilkan ekstraksi data yang berkualitas dan relevan. Dokumen teks terdiri dari karakter yang secara bersama membentuk suatu kata yang selanjutnya dapat membentuk frasa. Text mining harus mampu mengenali, mengekstrak dan menggunakan informasi ini, baik pencarian dalam bentuk kata maupun pengenalan semantik sehingga menghasilkan pencarian dalam level tertinggi (Kumar & Bhatia, 23). Text mining memiliki aktivitas proses secara terurut yang harus dilakukan agar perolehan informasi didapat secara efisien (Kumar & Bhatia, 23). Proses dari text mining terdiri dari praproses teks, transformasi teks, pemilihan fitur, data mining dan evaluasi Praproses Teks Praproses teks memiliki peranan yang sangat penting dalam teknik dan aplikasi text mining. Praproses teks merupakan langkah pertama yang dilakukan dalam proses text mining (Vijayarani, Ilamathi, & Nithya, 2). Praproses teks ditujukan untuk membentuk corpus dan lexicon dari keseluruhan dokumen yang ada (Çakir & Güldamlasroglu, 26). Sebelum teks diterjemahkan ke dalam vektor, praproses teks dilakukan untuk membersihkan dan menyusun data. Praproses teks mengubah data teks mentah menjadi sebuah kata linguistik yang terdefinisikan dengan baik. Tahapan dari praproses teks meliputi menghapus tanda baca dan angka, mengubah huruf kapital menjadi huruf kecil (case folding), melakukan tokenisasi, mengubah kata berimbuhan menjadi bentuk kata dasar (stemming) dan menghapus stop word Pembobotan Kata Pembobotan kata di dalam vektor dokumen dapat ditentukan dengan menggunakan metode tf.idf. Metode tf.idf merupakan salah satu metode pembobotan yang banyak digunakan dalam vector space model. Metode tf.idf menghitung bobot dari masing-masing komponen vektor (masing-masing kata yang ada) dari tiap masingmasing dokumen (Soucy & Mineau, 25). Tahap pertama dalam melakukan pembobotan kata adalah dengan menghitung frekuensi kemunculan suatu kata atau yang dikenal dengan sebutan tf. Semakin sering suatu kata muncul dalam dokumen maka kata ini dapat dikatakan cukup penting dalam dokumen ini. Terdapat modifikasi dari tf yang menggunakan logaritma dari frekuensi kemunculan kata untuk menghitung nilai bobot tf sebagai berikut: wf t,d = { + log tf t,d jika tf t,d > () selainnya dimana t menandakan posisi kata dan d menandakan dokumen ke berapa. Tahap selanjutnya adalah menghitung nilai idf. Nilai idf menghitung seberapa tidak sering suatu kata muncul dalam koleksi keseluruhan dokumen. Sehingga kata sering muncul dalam dokumen dianggap tidak merepresentasikan dokumen, sebaliknya kata yang jarang muncul dianggap paling relevan terhadap dokumen. Nilai idf dapat diperoleh dengan cara sebagai berikut: idf t log N / df t (2) dimana t menandakan posisi kata dan N

4 Jurnal Pengembangan Teknologi Informasi dan Ilmu Komputer 3942 merupakan jumlah dokumen. Karena nilai tf telah dilakukan modifikasi menjadi wf maka penyebutan tf.idf dapat diubah menjadi wf.idf (Manning, Raghavan, & Schutze, 29). Sehingga wf.idf dapat diperoleh dengan mengalikan nilai wf dan idf. Nilai wf.idf dapat dinormalisasi dengan cara sebagai berikut: wf. idf t, d wf. idf (3) t, d n t wf. idf 2 t, d dimana t menandakan posisi kata dan d menandakan dokumen ke berapa Improved K-Means Dalam beberapa pendekatan untuk mengoptimasi k-means, pemilihan centroid awal dilakukan dengan mengambil nilai jarak terjauh atau yang memiliki nilai densitas terbesar antar objek data. Akan tetapi jika di dalam dataset terdapat data yang kotor atau terisolasi maka terdapat kemungkinan data ini digunakan sebagai centroid awal. Oleh karena itu dalam melakukan pemilihan centroid awal dapat dilakukan dengan menggabungkan metode optimasi jarak dan densitas untuk memperoleh centroid awal terbaik (Xiong, et al., 26). Langkah-langkah dari algoritme improved k-means yang merupakan kombinasi antara metode optimasi jarak dan densitas dijelaskan sebagai berikut: Input: dataset dokumen D = {d,d 2,...,d n} dan k Output: k klaster. Hitung jarak antara setiap pasangan dua objek data yang berada dalam dataset D menggunakan Euclidean Distance. d ( xi, x j ) ( xi x j) ( xi2 x j2 )... ( xim x jm ) (4) x x, x,..., x dan x x, x,..., x ) ( i i2 im dimana ) i j ( j j2 im merupakan dua m dimensi objek data. 2. Hitung rata-rata jarak. MeanDist n x d ( x i, x j ) (5) C2 dimana C merupakan kombinasi pasangan jarak. 3. Hitung nilai parameter densitas seluruh objek data yang berada dalam dataset D. n Dens( x ) u( MeanDist d( x, x )) (6) i j dimana u(z) merupakan sebuah fungsi bernilai jika z lebih besar dari dan bernilai jika sebaliknya. 4. Hitung rata-rata nilai parameter densitas i j dataset D. 5. Dengan menggunakan rata-rata densitas, tentukan objek data yang terisolasi dan hapus data ini dari D sehingga menghasilkan koleksi A yang memiliki nilai parameter densitas tertinggi. Dens( x i ) x MeanDens (D) (7) dimana α berada pada rentang - dalam menentukan data terisolasi. 6. Pilih objek data yang memiliki nilai parameter densitas tertinggi dari A sebagai nilai centroid awal klaster pertama, masukkan ke dalam koleksi B, dan hapus dari A 7. Dari koleksi A, pilih objek data yang memiliki jarak terjauh dari objek data yang berada dalam B sebagai nilai centroid awal klaster berikutnya, masukkan ke dalam B, dan hapus dari A 8. Ulangi langkah 7 hingga jumlah objek data k berada dalam koleksi B 9. Berdasarkan k centroid awal klaster, lakukan k-means untuk melakukan pengelompokan terhadap objek data 3. METODOLOGI Start Data dokumen teks Text pre-processing Vector space model Improved k-means Hasil pengelompokan End Gambar. Diagram Alir Metode Pengelompokan Dokumen J-PTIIK

5 Jurnal Pengembangan Teknologi Informasi dan Ilmu Komputer 3943 Secara umum sistem dalam penelitian menghasilkan luaran berupa pengelompokan dokumen J-PTIIK. Sistem membutuhkan objek data berupa judul dan abstrak dokumen J-PTIIK yang diperoleh secara manual melalui web J- PTIIK pada j-ptiik.ub.ac.id. Jumlah objek data dokumen J-PTIIK yang diperoleh dari arsip J- PTIIK Vol No (27) hingga Vol No 2 (27) sebanyak 233 dokumen. Pada penelitian terdapat tiga proses yang dilakukan untuk mengelompokkan dokumen J- PTIIK. Proses pertama yang dilakukan adalah melakukan praproses dokumen J-PTIIK. Praproses dokumen J-PTIIK dilakukan untuk mengubah teks yang terdapat pada dokumen J- PTIIK menjadi bentuk kumpulan kata. Praproses dokumen J-PTIIK terdiri dari beberapa sub proses antara lain menghapus tag judul dan abstrak, menghapus tanda baca dan angka, melakukan case folding dan tokenisasi, menghapus stopword dan melakukan stemming Nazief & Adriani dengan library jsastrawi. Proses kedua yang dilakukan adalah membentuk vector space model untuk memodelkan kata hasil dari praproses dokumen J-PTIIK ke dalam bentuk vektor guna dilakukan pembobotan kata. Proses ini terdiri dari beberapa sub proses antara lain menghitung frekuensi kata pada dokumen J-PTIIK (tf), menghitung bobot tf (wf), menghitung idf, menghitung pembobotan kata wf.idf dan melakukan normalisasi nilai wf.idf. Proses ketiga yang dilakukan adalah mengelompokkan dokumen J-PTIIK dengan menggunakan metode improved k-means. Pengelompokan dokumen J-PTIIK dilakukan menggunakan hasil normalisasi nilai wf.idf. Diagram alir sistem pengelompokan dokumen J- PTIIK dapat dilihat pada Gambar. 4. PENGUJIAN DAN ANALISIS Pengujian dalam penelitian dilakukan dengan menggunakan silhouette coefficient dan purity. Pengujian dilakukan dalam beberapa skenario antara lain pengaruh jumlah klaster, pengaruh jumlah data dan perbandingan metode improved k-means dan k-means. 4.. Pengaruh Pengujian ini dilakukan untuk mengetahui apakah jumlah klaster dalam melakukan pengelompokan dokumen J-PTIIK berpengaruh terhadap menghasilkan nilai silhouette coefficient dan purity yang bertambah tinggi atau rendah. Jumlah data yang digunakan dalam melakukan pengujian ini adalah sebanyak 233 dokumen. Pada silhouette coefficient, pengujian dilakukan untuk mengetahui kualitas hasil dari pengelompokan dokumen J-PTIIK. Pengujian dilakukan pada nilai k = 2 hingga nilai k = 25 dengan α =.5 untuk memperoleh silhouette coefficient optimal. Hasil pengujian pengaruh jumlah klaster terhadap silhouette coefficient dapat dilihat pada Gambar 2. Pada pengujian silhouette coefficient juga terdapat pengujian dengan jumlah klaster mencapai jumlah dokumen J-PTIIK dengan densitas tertinggi. Jumlah klaster yang dapat digunakan pada α =.5 adalah sebanyak 224. Pengujian dilakukan pada jumlah klaster 2, 3, 5, 8, 3, 2, 34, 55, 89, 44 dan 224. Hasil pengujian silhouette coefficient dengan jumlah klaster sebanyak jumlah dokumen J-PTIIK dengan densitas tertinggi dapat dilihat pada Gambar 3. Berdasarkan Gambar 2 dan Gambar 3, nilai silhouette coefficient mengalami peningkatan jika jumlah klaster terus bertambah. Akan tetapi pada beberapa jumlah klaster tertentu, nilai silhouette coefficient mengalami penurunan yang cukup signifikan. Nilai silhouette coefficient yang tinggi menunjukkan bahwa nilai terkecil rata-rata jarak suatu dokumen J-PTIIK dengan semua dokumen J-PTIIK lain yang berada pada klaster berbeda cukup besar. Sementara silhouette coefficient yang rendah menunjukkan bahwa nilai terkecil rata-rata jarak suatu dokumen J-PTIIK dengan semua dokumen J-PTIIK lain yang berada pada klaster berbeda lebih besar. Hasil pengujian menunjukkan nilai silhouette coefficient optimal diperoleh pada saat k = 9 dengan nilai sebesar Gambar 2. Hasil Pengujian Pengaruh Terhadap Silhouette Coefficient

6 Jurnal Pengembangan Teknologi Informasi dan Ilmu Komputer Gambar 3. Hasil Pengujian Silhouette Coefficient dengan Sebanyak Jumlah Dokumen J-PTIIK dengan Densitas Tertinggi Gambar 4. Hasil Pengujian Pengaruh Terhadap Purity Gambar 5. Hasil Pengujian Purity dengan Jumlah Klaster Sebanyak Jumlah Dokumen J-PTIIK dengan Densitas Tertinggi Pada purity, pengujian membutuhkan label dokumen J-PTIIK yang dilakukan secara manual oleh penulis. Pemberian label dilakukan berdasarkan keminatan yang menghasilkan label antara lain RPL, KC, JKI, MG, RB, SC, JKT dan SI. Pengujian dilakukan pada nilai k = 2 hingga nilai k = 25 dengan α =.5 untuk memperoleh purity optimal. Hasil pengujian pengaruh jumlah klaster terhadap purity dapat dilihat pada Gambar 4. Pada pengujian purity juga terdapat pengujian dengan jumlah klaster mencapai jumlah dokumen J-PTIIK dengan densitas tertinggi. Jumlah klaster yang dapat digunakan pada α =.5 adalah sebanyak 224. Pengujian dilakukan pada jumlah klaster 2, 3, 5, 8, 3, 2, 34, 55, 89, 44 dan 224. Hasil pengujian purity dengan jumlah klaster sebanyak jumlah dokumen J-PTIIK dengan densitas tertinggi dapat dilihat pada Gambar 5. Berdasarkan Gambar 4 dan Gambar 5, nilai purity terus mengalami peningkatan seiring dengan bertambahnya jumlah klaster. Hal ini menunjukkan bahwa pada saat jumlah klaster semakin besar, jumlah label terbanyak pada tiap klaster tentu juga akan semakin besar sehingga menghasilkan purity yang terus meningkat. Hasil pengujian menunjukkan nilai purity optimal diperoleh pada saat k = 23 dengan nilai sebesar Pengaruh Jumlah Data Pengujian ini dilakukan untuk mengetahui apakah jumlah data dalam melakukan pengelompokan dokumen J-PTIIK berpengaruh terhadap menghasilkan nilai silhouette coefficient dan purity yang bertambah tinggi atau rendah. Jumlah data yang digunakan dalam melakukan pengujian ini adalah sebanyak 5,, 5, 2 dan 233 dokumen. Jumlah klaster yang digunakan adalah 9 dan 23 dengan α =.5, sebab pada nilai ini diperoleh silhouette coefficient dan purity optimal. Hasil pengujian pengaruh jumlah data terhadap silhouette coefficient dapat dilihat pada Gambar 6 dan purity dapat dilihat pada Gambar 7. Berdasarkan Gambar 6, pada saat data berjumlah 5 dokumen J-PTIIK memiliki nilai silhouette coefficient tertinggi. Hal ini disebabkan karena jumlah data yang sedikit dikelompokkan dengan jumlah klaster mendekati setengah dari jumlah data yakni 9 dan 23. Sehingga nilai silhouette coefficient yang dihasilkan cukup tinggi. Sementara pada saat data berjumlah hingga 233 memiliki nilai silhouette coefficient yang hampir sama pada rentang nilai. hingga.3. Berdasarkan Gambar 7, penggunaan jumlah data yang semakin besar menyebabkan nilai purity yang dihasilkan semakin kecil. Hal ini menunjukkan pada saat jumlah data semakin besar, jumlah label terbanyak pada tiap klaster tentu juga akan semakin kecil sehingga menghasilkan purity yang terus menurun. Hal ini dapat dilihat pada nilai k = 9 dengan jumlah data 5 memiliki nilai purity sebesar.82, sementara pada jumlah data 233 memiliki nilai purity sebesar

7 Jurnal Pengembangan Teknologi Informasi dan Ilmu Komputer Jumlah Data Gambar 6. Hasil Pengujian Pengaruh Jumlah Data Terhadap Silhouette Coefficient k = 9 k = 23 Jumlah Data Gambar 7. Hasil Pengujian Pengaruh Jumlah Data Terhadap Purity 4.3. Perbandingan Metode Improved K-Means dan K-Means Perbandingan pengujian dalam penelitian dilakukan untuk mengetahui apakah metode improved k-means memiliki nilai silhouette coefficient dan purity yang lebih baik bila dibandingkan dengan metode k-means. Sebab pemilihan centroid awal klaster dalam metode k- means dilakukan secara acak, sehingga dapat menghasilkan nilai silhouette coefficient dan purity yang selalu berbeda ketika dilakukan pengelompokan. Hal yang berbeda jika dengan menggunakan metode improved k-means dimana pemilihan centroid awal yang dihasilkan selalu tetap K-Means Improved K-Means k = 9 k = Gambar 8. Perbandingan Pengujian Silhouette Coefficient Metode Improved K-Means dan K- Means K-Means Improved K-Means Gambar 9. Perbandingan Pengujian Purity Metode Improved K-Means dan K-Means Dalam melakukan perbandingan ini, metode k-means dilakukan sebanyak 7 kali percobaan dalam melakukan pengelompokan dokumen pada nilai k = 2 hingga k = 25. Untuk menentukan nilai silhouette coefficient dan purity maka ditentukan dengan memperoleh nilai rata-rata silhouette coefficient dan purity dari 7 percobaan metode k-means yang dilakukan. Nilai rata-rata silhouette coefficient dan purity kemudian dibandingkan dengan nilai silhouette coefficient dan purity pada metode improved k-means untuk nilai k = 2 hingga k = 25 dan α =.5. Hasil perbandingan metode improved k-means dan k-means dapat dilihat pada Gambar 8 dan Gambar 9. Berdasarkan Gambar 8, penggunaan metode improved k-means dalam melakukan pengelompokan dokumen J-PTIIK memiliki kualitas hasil klaster yang lebih baik bila dibandingkan dengan penggunaan metode k- means. Metode improved k-means memiliki nilai rata-rata silhouette coefficient pada k = 2 hingga k = 25 sebesar, Sedangkan metode k-means hanya memiliki nilai rata-rata silhouette coefficient sebesar, Hal ini disebabkan oleh pemilihan centroid awal klaster dalam metode improved k-means dilakukan secara terstruktur melalui algoritme pemilihan centroid. Sehingga setiap kali pengelompokan dokumen J-PTIIK dilakukan dengan menggunakan metode improved k-means selalu menghasilkan klaster yang sama. Hal berbeda terjadi ketika pengelompokan dokumen J-PTIIK menggunakan metode k-means, maka pengelompokan menghasilkan klaster yang berbeda setiap kali pengelompokan dokumen J- PTIIK dilakukan. Hasil klaster yang berbeda ini tentu berpengaruh terhadap nilai rata-rata silhouette coefficient ketujuh percobaan pada metode k-means. Nilai yang dihasilkan memiliki nilai silhouette coefficient yang cenderung lebih kecil bila dibandingkan penggunaan metode

8 Jurnal Pengembangan Teknologi Informasi dan Ilmu Komputer 3946 improved k-means. Pada Gambar 9, penggunaan metode improved k-means dalam melakukan pengelompokan dokumen memiliki nilai purity yang lebih baik pada saat nilai k = 7 hingga k = 25 bila dibandingkan dengan penggunaan metode k-means. Tetapi secara keseluruhan, metode improved k-means memiliki nilai ratarata purity yang lebih buruk bila dibandingkan metode k-means. Metode improved k-means hanya memiliki nilai rata-rata purity pada k = 2 hingga k = 25 sebesar, Sedangkan metode k-means memiliki nilai rata-rata purity sebesar, Melalui grafik perbandingan ini juga dapat disimpulkan bahwa baik metode improved k-means ataupun k-means memiliki nilai purity yang terus bertambah baik pada saat nilai k atau jumlah klaster terus bertambah. 5. HASIL PEMBERIAN LABEL KLASTER Pada proses terakhir pengelompokan dokumen J-PTIIK dilakukan pemberian label secara manual terhadap hasil pengelompokan dokumen J-PTIIK, dimana pemberian label dilakukan berdasarkan topik jurnal yang ada pada tiap klaster. Pemberian label berdasarkan topik jurnal pada tiap klaster diperoleh dengan cara melihat topik jurnal yang terdapat pada dokumen yang menjadi centroid akhir dari proses pengelompokan dokumen J-PTIIK. Hasil pemberian label berdasarkan topik jurnal secara manual dilakukan pada saat jumlah klaster bernilai 9, sebab nilai ini merupakan salah satu jumlah klaster yang optimal. Hasil pemberian label secara manual dapat dilihat pada Tabel. Tabel. Hasil Pemberian Label Klaster Klaster Label Berdasarkan Topik Jurnal Klasifikasi KNN 2 Mixed Reality 3 Pengelompokan Fuzzy 4 Genetika 5 Sistem Pendukung Keputusan 6 Sistem Rekomendasi 7 Genetika 8 Particle Swarm Optimization 9 Profile Matching Optimasi Genetika Citra Digital 2 Sistem Online 3 Analisis Structural Equation Modeling 4 Optimasi Rute 5 Internet of Things 6 Perancangan Alat 7 Text Mining 8 Evaluasi QEF 9 Analisis Wireless Sensor Network 6. KESIMPULAN Metode improved k-means dalam penelitian ini dapat digunakan untuk mengelompokkan dokumen J-PTIIK. Adapun tahap dalam melakukan pengelompokan dokumen J-PTIIK dimulai dari melakukan praproses teks dokumen J-PTIIK, melakukan pembobotan kata (vector space model), dan melakukan pengelompokan dokumen J-PTIIK dengan menggunakan metode improved k-means. Berdasarkan pengujian yang dilakukan, metode improved k-means memiliki nilai silhouette coefficient optimal sebesar pada saat k = 9 dan α =.5. Nilai purity optimal diperoleh pada saat k = 23 dan α =.5 dengan nilai sebesar Hasil pengujian menunjukkan jumlah klaster mempengaruhi nilai silhouette coefficient dan purity. Semakin banyak jumlah klaster yang digunakan, maka nilai silhouette coefficient dan purity akan meningkat. Tetapi pada penggunaan jumlah klaster tertentu dalam mengelompokkan dokumen J-PTIIK mempengaruhi penurunan nilai silhouette coefficient. Penggunaan jumlah data yang berbeda juga mempengaruhi nilai silhouette coefficient dan purity. Nilai yang dihasilkan cenderung mengalami penurunan seiring bertambahnya jumlah data. Penggunaan metode improved k- means juga memiliki nilai silhouette coefficient yang lebih baik bila dibandingkan dengan penggunaan metode k-means, dengan nilai ratarata silhouette coefficient pada improved k- means sebesar, dan k-means sebesar, Sementara metode improved k-means memiliki nilai purity lebih buruk bila dibandingkan dengan penggunaan metode k-means, dengan nilai rata-rata purity pada improved k-means sebesar, dan k-means sebesar, Pada penelitian berikutnya, metode pemilihan centroid awal klaster dapat menggunakan metode improved k-means yang lain atau metode pemilihan centroid yang lain. Pada proses akhir pengelompokan dokumen J- PTIIK juga dapat ditambahkan proses pemberian label klaster secara otomatis. 7. DAFTAR PUSTAKA Çakir, M.U. & Güldamlasroglu, S., 26. Text Mining Analysis in Turkish Language Using Big Data Tools. IEEE 4th Annual Computer Software and Applications Conference, pp

9 Jurnal Pengembangan Teknologi Informasi dan Ilmu Komputer 3947 Chayangkoon, N. & Srivihok, A., 26. Two Step Clustering Model for K-Means Algorithm. ICNCC 6, pp Kyoto: ACM. Dang, S. & Ahmad, P.H., 24. Text Mining: Techniques and its Application. International Journal of Engineering & Technology Innovations, Vol., Issue 4, pp Karimov, J. & Ozbayoglu, M., 25. Clustering Quality Improvement of k-means using a Hybrid Evoluationary Model. Procedia Computer Science 6, Publication 5, pp KM, S. & Reddy, T.H., 26. Text Mining: An Improvised Feature Based Model Approach. 2nd International Conference on Applied and Theoretical Computing and Communication Technology, pp Kumar, L. & Bhatia, P.K., 23. Text Mining: Concepts, Process and Applications. Journal of Global Research in Computer Science, Vol. 4, No. 3, pp Manning, C.D., Raghavan, P., & Schutze, H., 29. Scoring, term weighting and the vector space model. Poomagal, S. & Hamsapriya, T., 2. Optimized K-Means Clustering with Intelligent Initial Centroid Selection for Web Search Using URL and Tag Contents. Sogndal: ACM. Rahman, M.A., Islam, M.Z., & Bossomaier, T., 25. ModEx and Seed-Detective: Two novel techniques for high quality clustering by using good initial seeds in K-Means. Journal of King Saud University Computer and Information Science, pp Reddy, D. & Jana, P.K., 22. Initialization for K-means clustering using Voronoi diagram. Procedia Technology 4, pp Soucy, P. & Mineau, G.W., 25. Beyond TFIDF Weighting for Text Categorization in the Vector Space Model. Sutariya, A. & Amin, K., 23. An Improvement in K-means Clustering Algorithm. International Journal of Engineering Research & Technology, Vol. 2, Issue. Vijayarani, S., Ilamathi, J., & Nithya, 2. Preprocessing Techniques for Text Mining An Overview. International Journal of Computer Science & Communication Networks, Vol. 5, No., pp Xiong, C., Hua, Z., Lv, Ke. & Li, X., 26. An Improved K-means text clustering algorithm By Optimizing initial cluster centers. 7th International Conference on Cloud Computing and Big Data, pp