KLASIFIKASI DOKUMEN TUGAS AKHIR MENGGUNAKAN ALGORITMA K-MEANS. Wulan Fatin Nasyuha¹, Husaini 2 dan Mursyidah 3 ABSTRAK

Transkripsi

1 KLASIFIKASI DOKUMEN TUGAS AKHIR MENGGUNAKAN ALGORITMA K-MEANS Wulan Fain Nasyuha¹, Husaini 2 dan Mursyidah 3 1,2,3 Teknologi Informasi dan Kompuer, Polieknik Negeri Lhokseumawe, Jalan banda Aceh-Medan KM.275,5, Bukeraa- Lhokseumawe, 24301,P.O.Box 90 Telepon (0645) 4278, fax.42785, Indonesia. fainwulan@gmail.com, husaini@pnl.ac.id, mursyidah@ik.pnl.ac.id ABSTRAK Klasifikasi dokumen merupakan pengelompokkan dokumen yang mempunyai beberapa kaagori. jumlah dokumen semakin lama semakin berambah dan beragam. diawarkan sau alernaif dengan membua sebuah aplikasi yang dapa membanu dalam proses pencarian dan penyajian dokumen menjadi lebih mudah sehingga dokumen ersebu dapa disesuai dengan kaagori masing masing. Tujuan peneliian pada pembuaan ugas akhir ini adalah unuk membahas proses klasifikasi dokumen ugas akhir menggunakan algorima k-means dan menggunakan bahasa pemrograman C#. Dengan adanya eks yang dapa diolah menjadi sebuah daa yang menunjukkan pengelompokan aau kaegori dari isi eks ersebu. Dokumen ugas akhir yang berisi judul dan kaa kunci absrak yang menjadi peneliian, dan erdapa delapan kaagori yaiu aplikasi, jaringan kompuer, keamanan jaringan, mulimedia, pengolahan cira, sisem informasi, sisem informasi geografis, sisem pakar. Daabase yang digunakan adalah MySQL. Adapun ingka keberhasilan yang elah diuji mendapakan akurasi 90%. Kaa kunci : klasifikasi dokumen, algorima k-means, MySQL 1. PENDAHULUAN Perkembangan jumlah dokumen seiap ahun semakin lama semakin berambah dan beragam. Oleh karena iu, proses pencarian dan penyajian dokumen menjadi lebih suli sehingga akan lebih mudah jika dokumen ersebu sudah ersedia sesuai dengan kaagori masing masing. Dokumen agar mudah di cari kembali bila sudah diempakan secara sisemais berdasarkan kaagori erenu. Perpusakaan Polieknik Negeri Lhokseumawe merupakan salah sau UPT yang menyediakan berbagai dokumen, baik dalam berbenuk buku, ugas akhir, jurnal dan sebagainya. Perpusakan Polieknik Negeri Lhokseumawe memang sudah menyediakan dokumen dengan semaksimal mungkin, namun dokumen yang disediakan menuru bidang masing masing. Oleh kerena iu, klasifikasi dokumen ugas akhir yang sesuai dengan kaagori/ema memiliki eknik yang lebih spesifikasi unuk dokumen seperi eksraksi eks secara oomais. Hal ini unuk memberikan manfaa bagi pengguna yang ingin mencari ema dokumen ugas akhir secara oomais, dan berujuan unuk membahas proses klasifikasi dokumen ugas akhir menggunakan pengelomkolan aau kaegori dari isi eks ersebu. 2. METODE PENELITIAN 2.1 ALGORITMA K-MEANS Algorima k-means merupakan salah sau algorima unuk mengklasifikasi dokumen eks. Adapun penerapan Algorima K-Means sebagai beriku [1]: 1. Tenukan k (jumlah cluser) yang ingin dibenuk. 2. Bangkikan k cenroid (iik pusa cluser) awal secara random. 3. Unuk seiap record, emukan pusa cluser erdeka dengan mengukur jarak record dengan pusa cluser. Meode perhiungan jarak yang digunakan adalah Meode cosinus similariy. 4. Unuk seiap k cluser, emukan pusa cluser dan ubah lokasi dari seiap pusa cluser dengan nilai cenroid yang baru. Pusa cluser diperoleh dengan cara menghiung nilai raaraa dari daa-daa yang berada pada cluser yang sama. 5. Kembali ke langkah 3 5 sampai konvergen. 2.2 METODE COSINUS SIMILARITY Cosine Similariy merupakan meode yang digunakan unuk menghiung similariy (ingka kesamaan) anar dua buah objek. Perhiungan cosine 33

2 similariy yang memperhiungkan perhiungan pemboboan kaa pada suau dokumen dapa dinyaakan dengan persamaan 2.1 beriku [2]: d k ik d 1 jk 2 d. d cos (2.1) k 1 j1 d = Nilai Pemboboan kaa raining d ik jk = Nilai Pemboboan kaa uji 2.3 Pemboboan TF-IDF Pemboboan kaa (erm weighing) adalah proses pemboboan pada kaa. Pemboboan dasar dilakukan dengan menghiung frekuensi kemunculan erm dalam dokumen. Frekuensi kemunculan (erm frequency) merupakan peunjuk sejauh mana erm ersebu mewakili isidokumen. Semakin besar kemunculan suau erm dalam dokumen akan memberikan nilai kesesuian yang semakin besar. Nilai idf sebuah erm dapa dihiung menggunakan persamaan 2.2 sebagai beriku [3]: D df D IDF log (2.2) df = jumlah dokumen = jumlah kemunculan (frekuensi) erm erhadap D Adapun persamaan yang digunakan unuk menghiung bobo (W) masing-masing dokumen erhadap kaa kunci (query), menggunakan persamaan 2.3 beriku: W f * IDF d (2.3) d Dikeahui : d = dokumen uji = erm raining f = erm frekuensi/frekuensi kaa Wd. = bobo dokumen ke d erhadap erm ke. Meode peneliian diperoleh dari beberapa dokumen dan kaegori ema ugas akhir di perpusakaan Polieknik Negeri Lhokseumawe. Adapun dafar pengumpulan daa diunjukkan pada abel 2.1 beriku ini. Table 2.1 Dafar Pengumpulan Daa No Kaagori Jumlah 1 Aplikasi Android 19 2 Kompuer Keamanan 16 4 Mulimedia 22 5 Pengolahan Cira 18 6 Sisem Informasi 24 7 Sisem Informasi 21 8 Sisem Pakar 26 Pengumpulan dokumen yang elah diambil diimplemenasikan menggunakan noepad dimana judul dan kaa kunci absrak dari seiap buku ugas akhir disimpan dalam forma *.x. adapun blok diagram proses klasifikasi diunjukkan pada gambar 3.3 beriku ini. Gambar 3.3 Blok Diagram Klasifikasi Dokumen Adapun proses kerja blok diagram ialah di enukan k sebanyak 8, dari eks yang di uji maka akan bangki k cenroid yaiu kaa, karena kaa ersebu masuk ke dalam 4 k. Selanjunyan Proses pemboboan f-idf, proses f di unjuukkan pada abel 2.2 beriku ini: Tabel 2.2 Proses f id kaa 1 fisher 2 TF 2 mysql daabase mobile pengacakan 1 7 shuffle 2 8 yaes 2 Inpu Teks Proses Tokenezing dan Filering Proses TF-IDF Proses Algoirma K-Means Hasil Klasifikasi 9 eclipse java

3 Selanjunya mencari nilai df dengan jumlahkan nilai f seiap kaa dan dan mencari idf dengan menggunakan persamaan 2.2. Adapun proses df dan idf di unjukkan pada ablel 2.3 beriku ini: Tabel 2.3 proses df dan idf df idf log(d/df) Unuk mencari bobo masing-masing kaa menggunakan persamaan 2.3 di unjukkan pada abel 2.4 beriku ini: Tabel 2.4 Pemboboan f-idf W=TF*IDF Adapun pencari penboboan kaa dengan daa uji di unjukkan pada abel 2.4 beriku ini: Tabel 2.4 pemboboan kaa dengan daa uji W(UJI)*W(TFIDF) Selanjunya mencari raa-raa seiap k (cluser) menggunakan persamaan panjang vekor, diunjukkan pada abel 2.5 beriku ini: Tabel 2.5 Panjang vekor PANJANG VEKTOR Selanjunya unuk mengklasifikasi menggunakan algorima k-means, nilai raa-raa dari seiap k dihiung jarak erdeka dengan daa uji. Adapun klasifikasi dokumen menggunakan algorima k-means di unjukkan pada abel 2.6 beriku ini: Tabel 2.6 Klasifikasi menggunakan algorima k- means NILAI JARAK ANTAR KATAGORI DENGAN KLASIFIKASI K-MEANS 2,1 3,1 4,1 5,1 6,1 7,1 8,1 9, PRESENTASI = Uji 2 = Android 3 = Kompuer 4 = Keamanan 5 = Mulimedia 6 = Pengolahan Cira

4 7 = Sisem Informasi 8 = Sisem Informasi 9 = Sisem Pakar 3. HASIL DAN PEMBAHASAN Dalam pengujian klasifikasi dokumen yang sesuai dengan eks yang dimasukkan menggunakan algorima k-means, beriku pengujian dari Kaegori Aplikasi Android: N o Tabel 3.7 Hasil Pengujian Kaegori Aplikasi Android Isi Teks Nilai Jarak Klasifikasi 1 fisher yaes shuffle pengacakan mobile daabase mysql fisher yaes shuffle 2 hashing levenshein disance hashing levenshein disance 3 warna warna 4 linear congruen mehod lcm uml sdk eclipse lcm 5 fuzzy mobile sdk mobile Aplikasi Android Aplikasi Kompuer 0 Android Keamanan % Pengolahan Cira Sisem Informasi Sisem Pakar Aplikasi Android Aplikasi Kompuer 0 Android Keamanan % Pengolahan Cira Sisem Informasi Sisem Pakar Aplikasi Android Aplikasi Kompuer 0 Android Keamanan % Pengolahan Cira Sisem Informasi Sisem Pakar Aplikasi Android Aplikasi Kompuer 0 Android Keamanan % Mulimedia Pengolahan Cira 0 Sisem Informasi Sisem Informasi Sisem Pakar Aplikasi Android Aplikasi Kompuer 0 Android Keamanan % 36 device Pengolahan Cira 0 Sisem Informasi Sisem Pakar Berdasarkan hasil pengujian kaegori aplikasi ingka akurasinya ialah 100% berhasil, dikarenakan eks yang diinpu sesuai dengan hasil klasifikasi kaagorinya. Adapun erdapa pendekaan dengan kaagori lain, eapi nilai yang menunjukkan unuk kaegori aplikasi lebih besar. Adapun grafik dari eks no 1 yang digunakan pada abel 3.2 yaiu fisher yaes shuffle pengacakan mobile daabase mysql fisher yaes shuffle sebagai beriku: Gambar 1: Grafik Hasil Klasifikasi dari Teks "fisher yaes shuffle pengacakan mobile daabase mysql fisher yaes shuffle". 4. SIMPULAN Seelah melakukan peneliian dan pembahasan mengenai klasifikasi dokumen ugas akhir menggunakan algorima k-means pada bab erdahulu, maka dapa diambil simpulan sebagai beriku: 1. Klasifikasi dokumen memiliki ingka persenase keakuraan yang cukup baik dalam melakukan proses pengelompokan berdasarkan daa uji dengan daa yang berasal dari daabase, yaiu ingka keakuraan mencapai 90%. 2. Jumlah kaa yang disimpan dalam daabase lebih banyak karena semakin banyak jumlah kaa yang disimpan maka akan semakin banyak nilai frekuensi kaa yang akan dibandingkan dengan eks uji. Namun akan semakin lama juga waku yang dibuuhkan unuk proses klasifikasi dokumen. 3. Kesalahan pada saa idak sesuai pengklasifikasi dokumen ialah karena erdapa kaa yang sama dan nilai pemboboan kaa dari kaegori lain lebih besar. Hal ini mengakibakan klasifikasi eks yang diinpu lebih mendekai kaegori lain. DAFTAR ACUAN [1] Wicaksono, G. W. 2012, (Desember). K-Means. hal. 1-1 (online),

5 hp://galih.saff.umm.ac.id/2012/12/k-means/, diakses 03 Desember 2015 [2] Alexander, B. (2015). The Disance Formula, jurnal Ineracive Mahemaics Miscellany and Puzzles, (online), hp:// diakses 03 December 2015 [3] I.G.A Oka, W. N. (2011). Daa Mining Meode Clasifikaion K-Nears Neighbor (Knn), (online) hps://id.scribd.com/doc/ /meode- Algorima-KNN#download, diakses 08 Mei 2016 Jurnal Infomedia Vol.1 No.1 Sepember 2016 ISSN: