CLUSTERING DOKUMEN SKRIPSI BERDASARKAN

ABSTRAK DENGAN MENGGUNAKAN

BISECTING K-MEANS

NURUL ARIFIN SUBANDI

DEPARTEMEN ILMU KOMPUTER

FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN

INSTITUT PERTANIAN BOGOR

BOGOR

2014

PERNYATAAN MENGENAI SKRIPSI DAN

SUMBER INFORMASI SERTA PELIMPAHAN HAK CIPTA

Dengan ini saya menyatakan bahwa skripsi berjudul Clustering Dokumen

Skripsi Berdasarkan Abstrak dengan Menggunakan Bisecting K-Means adalah

benar karya saya dengan arahan dari komisi pembimbing dan belum diajukan

dalam bentuk apa pun kepada perguruan tinggi mana pun. Sumber informasi yang

berasal atau dikutip dari karya yang diterbitkan maupun tidak diterbitkan dari

penulis lain telah disebutkan dalam teks dan dicantumkan dalam Daftar Pustaka di

bagian akhir skripsi ini.

Dengan ini saya melimpahkan hak cipta dari karya tulis saya kepada Institut

Pertanian Bogor.

Bogor, Juni 2014

Nurul Arifin Subandi

NIM G64114018

ABSTRAK

NURUL ARIFIN SUBANDI. Clustering Dokumen Skripsi Berdasarkan Abstrak

dengan Menggunakan Bisecting K-Means. Dibimbing oleh AHMAD RIDHA.

Kebutuhan terhadap pencarian data skripsi terus meningkat setiap tahunnya

seiring bertambahnya jumlah mahasiswa. Pencarian referensi dengan menelusuri

dokumen satu per satu memakan banyak waktu dan tenaga. Oleh sebab itu, sebuah

sistem yang mampu mengelompokkan dokumen secara otomatis dibutuhkan.

Penelitian ini mengembangkan sistem untuk melakukan clustering terhadap

dokumen skripsi secara otomatis berdasarkan abstrak yang ada dalam dokumen.

Metode yang digunakan adalah Bisecting K-Means untuk clustering data. Data

yang digunakan pada penelitian ini adalah skripsi Ilmu Komputer IPB yang terdiri

atas 78 dokumen abstrak berbahasa Indonesia dan 113 dokumen abstrak

berbahasa Inggris. Dari hasil yang diperoleh dapat disimpulkan bahwa clustering

dokumen dengan menggunakan Bisecting K-Means dapat dilakukan dengan nilai

threshold i (jarak internal cluster) terbaik untuk clustering abstrak bahasa

Indonesia adalah 0.67, yang menghasilkan rand index sebesar 0.867 dan nilai i

terbaik untuk clustering abstrak bahasa Inggris adalah 0.55 yang menghasilkan

rand index sebesar 0.862.

Kata kunci: abstrak, Bisecting K-Means, clustering.

ABSTRACT

NURUL ARIFIN SUBANDI. Skripsi Based Document Clustering Using Abstract

with Bisecting K-Means. Supervised by AHMAD RIDHA.

The need of thesis data searching increases every year along with the

increase in the number of students. Search of reference by tracing documents one

by one takes a lot of time. Therefore, a system that is capable of clustering

documents automatically is necessary. This study developed a system to perform

clustering of theses automatically based on their abstracts. It used bisecting K-

means method to cluster the data. The data in this research were from IPB’s

Computer Science bachelor theses, comprising 78 abstracts in Indonesian and 113

abstracts in English. The result showed that clustering the documents using

bisecting K-means could be done with the best value of i threshold (internal

cluster distance) of 0.67 for the Indonesian abstracts resulting in a rand index of

0.867, while the best i threshold value for the English abstracts was 0.55 resulting

in a rand index of 0.862.

Keywords: abstract, Bisecting K-Means, clustering.

Skripsi

sebagai salah satu syarat untuk memperoleh gelar

Sarjana Ilmu Komputer

pada

Departemen Ilmu Komputer

CLUSTERING DOKUMEN SKRIPSI BERDASARKAN

ABSTRAK DENGAN MENGGUNAKAN

BISECTING K-MEANS

NURUL ARIFIN SUBANDI

DEPARTEMEN ILMU KOMPUTER

FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN

INSTITUT PERTANIAN BOGOR

BOGOR

2014

Penguji:

Dr Ir Agus Buono, MSi MKom

Firman Ardiansyah, SKom MSi

Judul Skripsi : Clustering Dokumen Skripsi Berdasarkan Abstrak dengan

Menggunakan Bisecting K-Means

Nama : Nurul Arifin Subandi

NIM : G64114018

Disetujui oleh

Ahmad Ridha, SKom MS

Pembimbing

Diketahui oleh

Dr Ir Agus Buono, MSi MKom

Ketua Departemen

Tanggal Lulus:

PRAKATA

Puji dan syukur penulis kehadirat Allah subhanahu wata’ala atas segala

karunia-Nya sehingga karya ilmiah ini berhasil diselesaikan. Shalawat berserta

salam juga penulis sampaikan kepada Nabi Muhammad shalallahu ’alaihi wa

sallam, berserta para keluarga, shahabat dan umatnya hingga akhir zaman.

Banyak pihak yang telah membantu penulis hingga terselesaikannya tugas

akhir ini. Oleh sebab itu, penulis ingin mengucapkan rasa terima kasih kepada:

1. Ayahanda Subandi dan Ibunda Suparti serta kakak penulis Arbyanto dan Ari

Nurita yang senantiasa mendoakan, memotivasi, dan memberikan kasih

sayangnya kepada penulis.

2. Bapak Ahmad Ridha, Skom MS selaku dosen pembimbing yang telah

membimbing dan mengarahkan penulis selama penelitian tugas akhir ini.

3. Bapak Dr Ir Agus Buono, MSi MKom dan Bapak Firman Ardiansyah, SKom

MSi selaku dosen penguji.

4. Keluarga besar Pondok Pesantren Nurul Imdad Bogor yang selalu mendidik,

mendoakan dan memotivasi penulis.

5. Seluruh teman-teman Ilkomerz atas ilmu, semangat, dan dukungannya,

khusunya : Selvya Rossalina, Niken Ratna Pertiwi, Suci Hitmawati, Mujahid

Hasan, Nana Suryana, Endrik Sugiyanto dan Catur Teguh Oktavian.

6. Keluarga besar BARAYA IPB, khususnya : Elinda Safitri, Ridiarsih, Cepi

Mangku Bumi, Fazmi Nawafi, Rahmi Amelinda, Abdul Haris Maulana dan

Astari Ratnadya.

Penulis menyadari bahwa masih terdapat kekurangan dalam penulisan

skripsi ini. Namun, penulis berharap dengan segala kekurangan yang ada semoga

tulisan ini bisa memberikan manfaat kelak di kemudian hari. Amin.

Bogor, Juni 2014

Nurul Arifin Subandi

DAFTAR ISI

DAFTAR TABEL v

DAFTAR GAMBAR v

DAFTAR LAMPIRAN v

PENDAHULUAN 10 Latar Belakang 10

Tujuan Penelitian 10 Ruang Lingkup Penelitian 10

METODE 2 Koleksi Dokumen 2 Praproses 2 Pemodelan Ruang Vektor 3 Clustering 5 Evaluasi 5 Lingkungan Pengembangan 6

HASIL DAN PEMBAHASAN 6 Pengambilan dan Pemilihan Data 6

Pengelompokan Manual 7 Praproses Data 7 Bisecting K-Means 7 Validasi Hasil Clustering 10

SIMPULAN DAN SARAN 10 Simpulan 10 Saran 10

DAFTAR PUSTAKA 10

LAMPIRAN 12

RIWAYAT HIDUP 19

DAFTAR TABEL

1 Jumlah term hasil dari tokenisasi 7

2 Serangkaian percobaan mencari posisi nilai i terbaik untuk kategori

kategori abstrak bahasa Indonesia 8

3 Serangkaian percobaan mencari posisi nilai i terbaik untuk kategori

abstrak bahasa Inggris 8

4 Hasil percobaan clustering pada kategori abstrak bahasa Indonesia 9

5 Hasil percobaan clustering pada kategori abstrak bahasa Inggris 9

DAFTAR GAMBAR

1 Skema Penelitian 2 2 Contoh dokumen abstrak bahasa Indonesia 3 3 Contoh dokumen abstrak bahasa Inggris 3 4 Ilustrasi kesamaan cosine similarity 5

DAFTAR LAMPIRAN

1 Contoh hasil ekstraksi data abstrak bahasa Indonesia 12 2 Contoh hasil ekstraksi data abstrak bahasa Inggris 13 3 Hasil pengelompokan manual untuk setiap kategori dokumen 14 4 Hasil percobaan clustering pada kategori abstrak bahasa Indonesia 15 5 Hasil percobaan clustering pada kategori abstrak bahasa Inggris 16 6 Contoh pasangan dokumen false positive bahasa Indonesia 17 7 Contoh pasangan dokumen false positive bahasa Inggris 18

PENDAHULUAN

Latar Belakang

Mengelola informasi dari sekumpulan dokumen teks yang jumlahnya sangat

besar tentunya bukan pekerjaan yang mudah karena butuh waktu lama dan tenaga

kerja yang tidak sedikit. Di sisi lain, setiap orang menginginkan waktu yang cepat

dalam memperoleh informasi yang diinginkan, sebagaimana yang diungkapkan

oleh Nah (2004). Bila ditinjau dari volume dokumen teks yang berada di internet,

perpustakaan digital, dan web intranet perusahaan yang sangat besar, suatu sistem

yang efisien diperlukan untuk mengekstraksi informasi agar waktu untuk

mendapatkan informasi menjadi lebih pendek.

Salah satu masalah yang terjadi dalam pengelolaan informasi adalah

pencarian data skripsi yang dilakukan oleh mahasiswa. Kebutuhan terhadap

pencarian data skripsi terus meningkat setiap tahunnya seiring bertambahnya

jumlah mahasiswa. Seringkali mahasiswa/orang yang mencari sumber referensi

kesulitan untuk mencari referensi terkait dengan topik penelitiannya. Tentu saja

ini dapat menghambat kinerja para mahasiswa dalam melakukan penelitian. Untuk

mengatasi permasalahan yang sering dialami mahasiswa, diperlukan sebuah

metode yang dapat mengorganisir dan mengklasifikasi dokumen secara otomatis

untuk mempermudah pencarian informasi yang relevan dengan kebutuhan.

Penelitian ini mengembangkan sistem untuk melakukan clustering terhadap

dokumen skripsi secara otomatis berdasarkan abstrak yang ada dalam dokumen.

Pada penelitian sebelumnya, Ramdani (2011) yang melakukan clustering

pada dokumen berita berbahasa Indonesia menggunakan Bisecting K-Means, dan

menemukan bahwa clustering berdasarkan dokumen berita dapat dilakukan dan

nilai akurasi mencapai 87.3%. Ramdani (2011) menggunakan data dokumen

dengan domain yang berbeda, sehingga tingkat perbedaan antar dokumen cukup

tinggi. Oleh karena itu, penelitian ini mencoba menggunakan metode Bisecting K-

Means untuk clustering data pada satu domain Ilmu Komputer yang memiliki

tingkat perbedaan yang rendah.

Tujuan Penelitian

Tujuan dari penelitian ini adalah menerapkan algoritme Bisecting K-Means

untuk mengelompokkan dokumen skripsi berdasarkan abstraknya.

Ruang Lingkup Penelitian

Ruang lingkup penelitian ini meliputi:

1 Data yang digunakan pada penelitian ini adalah skripsi Ilmu Komputer IPB

dengan format PDF.

2 Data yang digunakan dibagi atas 2 kategori, yaitu abstrak berbahasa Indonesia

dan abstrak berbahasa Inggris.

2

3 Penelitian ini menggunakan algoritme Bisecting K-means untuk clustering.

METODE

Penelitian ini dilakukan dengan beberapa tahap, seperti yang ditunjukan

pada Gambar 1. Data yang akan digunakan dalam penelitian ini adalah koleksi

abstrak dokumen skripsi. Selain koleksi abstrak, penelitian ini juga menggunakan

stopwords yang merupakan daftar kata buang yang akan digunakan pada

praproses. Setelah praproses, tahap selanjutnya adalah melakukan pemodelan

ruang vektor untuk pembobotan terhadap term dan merepresentasikan dokumen

ke dalam bentuk vektor. Hasil dari praproses adalah matriks document-concept

yang kemudian akan dikelompokkan menjadi K cluster. Pada tahap akhir,

dilakukan evaluasi menggunakan rand index terhadap hasil clustering.

Gambar 1 Skema Penelitian

Koleksi Dokumen

Koleksi dokumen yang digunakan dalam penelitian ini diperoleh dari

perpustakaan Ilmu Komputer IPB dengan jumlah 191 dokumen, yang terdiri dari

78 dokumen abstrak berbahasa Indonesia dan 113 dokumen abstrak berbahasa

Inggris. Dokumen yang masih dalam format PDF kemudian diekstrak menjadi

plain text dan diambil bagian abstraknya, setelah itu dibagi ke dalam 2 kategori,

yaitu abstrak berbahasa Indonesia dan abstrak berbahasa Inggris. Adapun contoh

abstrak berbahasa Indonesia dan abstrak berbahasa Inggris dapat dilihat pada

Gambar 2 dan Gambar 3.

Praproses

Pada tahap praproses dilakukan beberapa tahapan, yaitu lowercasing,

tokenisasi, dan pembuangan stopwords. Lowercasing adalah proses mengubah

semua huruf menjadi huruf kecil. Hal ini dilakukan agar setiap kata pada dokumen

menjadi case-sensitif pada saat pemrosesan teks dokumen.

Tokenisasi adalah proses untuk membagi teks input menjadi unit-unit kecil

yang disebut token (Manning et al. 2009). Token atau biasa disebut juga term bisa

berupa suatu kata, angka atau tanda baca. Pada penelitian ini tanda baca

dihilangkan sehingga tidak dianggap sebagai token.

Stopwords adalah daftar kata-kata yang dianggap tidak memiliki makna.

Kata yang tercantum dalam daftar ini dibuang dan tidak ikut diproses pada tahap

selanjutnya. Pada umumnya kata-kata yang masuk ke dalam stopwords memiliki

Dokumen Ekstraksi

Text Praproses

Pemodelan

Ruang Vektor Clustering Evaluasi

Stopwords

3

tingkat kemunculan yang tinggi di tiap dokumen sehingga kata tersebut tidak

dapat digunakan sebagai penciri suatu dokumen. Stopwords yang digunakan pada

penelitian ini sama seperti penelitian Ridha (2004), sedangkan stopwords untuk

abstrak bahasa Inggris diambil dari koleksi stopwords University of Glasglow

dengan alamat url http://ir.dcs.gla.ac.uk/resources/linguistic_utils/stop_words.

Gambar 2 Contoh dokumen abstrak bahasa Indonesia

Gambar 3 Contoh dokumen abstrak bahasa Inggris

Pemodelan Ruang Vektor

Model ruang vektor untuk koleksi dokumen mengandaikan dokumen d

sebagai sebuah vektor dalam term space. Clustering dokumen dipandang sebagai

4

pengelompokan vektor berdasarkan suatu fungsi similarity antara dua vektor

tersebut. Dengan demikian koleksi dokumen dapat dituliskan sebagai matriks

kata-dokumen X sebagai berikut:

X = {xij } i = 1, 2,…, t ; j=1, 2, …, n

dengan xij adalah bobot term i dalam dokumen ke j.

Dalam pemodelan ruang vektor, pembobotan dasar dilakukan dengan

menghitung frekuensi kemunculan term dalam dokumen karena dipercaya bahwa

frekuensi kemunculan term (term frequency, tf) merupakan petunjuk sejauh mana

term tersebut mewakili isi dokumen. Hal ini berarti semakin banyak term tersebut

terdapat di dalam dokumen yang berbeda, maka nilainya semakin besar dan

memiliki pengaruh yang semakin besar pula pada clustering dokumen. Pada tahap

selanjutnya, dilakukan penhitungan jumlah dokumen dalam koleksi yang

mengandung term tertentu atau disebut dengan document frequency (df). Tahapan

terahir dalam pemodelan ruang vektor adalah menghitung nilai tf-idf, dengan idf

adalah invers document frequency menggunakan persamaan:

idft N/dft

Sedangkan untuk tf-idf menggunakan persamaan:

tf-idft,d = tfd,t * idft

N = Jumlah dokumen dalam koleksi

dft = Jumlah dokumen yang mengandung term yang bersangkutan

tfd,t = Frekuensi dari kemunculan sebuah term dalam dokumen yang

bersangkutan

Dari persamaan tersebut dapat dipahami bahwa tf-idft,d memberikan bobot

term t dalam dokumen d yang memiliki hubungan:

1 Bobot tinggi ketika kemunculan t dalam jumlah dokumen yang kecil.

2 Lebih rendah ketika kemunculan term sedikit dalam sebuah dokumen atau

muncul dalam banyak dokumen.

3 Paling rendah ketika muncul di hampir seluruh dokumen (Manning et al. 2009).

Penelitian ini menggunakan ukuran cosine similarity untuk pengukur jarak

antar vektor dokumen. Kesamaan cosine similarity memiliki sifat semakin besar

nilai persamaannya, semakin dekat jarak kedua vektor, dan berarti semakin mirip

kedua dokumen tersebut. Ilustrasi tentang hal ini dapat dilihat pada Gambar 4.

Perhitungan jarak antara 2 dokumen di dan dj adalah dengan menghitung

kesamaan cosine similarity dari representasi vektor dokumen 𝑉(di) dan 𝑉(dj).

Vektor dokumen merupakan term frequency yang merepresentasikan jumlah term

pada tiap dokumen. Kesamaan cosine similarity diformulasikan sebagai berikut:

Pembilang menunjukkan perkalian dalam atau dot product antara 2 vektor 𝑉(di)

dan 𝑉(dj). Penyebut menunjukkan perkalian panjang jarak masing-masing vektor

(Manning et al. 2009).

5

Gambar 4 Ilustrasi kesamaan cosine similarity

Clustering

Dalam model ruang vektor dikenal 2 pendekatan algoritme clustering, yaitu

hierarki dan partisi (Jain dan Dubes 1988). Algoritme hierarki memiliki dua

pendekatan, yaitu divisive dan aglomerative. Penelitian ini mengggunakan

algoritme Bisecting K-means untuk clustering, yang merupakan penggabungan

antara divisive clustering dan partitional clustering.

Bisecting K-means meiliki algoritme sebagai berikut:

1 Ambil satu cluster untuk dipecah dengan K-means (bisecting step).

2 Pilih satu dokumen yang akan dijadikan sebagai centroid awal.

3 Hitung jarak setiap dokumen terhadap centroid dengan menggunakan ukuran

cosine similarity. Dokumen yang memiliki jarak lebih besar dari threshold

akan berada dalam satu cluster dengan centroid, sedangkan yang lebih kecil

dari threshold akan membentuk cluster baru.

4 Ulangi langkah 1 sampai 3 sebanyak ITER kali, dan ambil hasil terbaik yang

memiliki overal similarity terbesar.

5 Ulangi langkah 1 sampai 4 sampai didapatkan K buah cluster.

Jumlah ITER yang digunakan dalam penelitian ini adalah 1 sehingga pembagian

menjadi dua (bisection) menggunakan K-Means hanya dilakukan satu kali untuk

setiap fase.

Evaluasi

Dalam proses clustering, dua dokumen ditempatkan ke dalam cluster yang

sama jika dan hanya jika kedua dokumen tersebut mirip. Evaluias hasil clustering

dilakukan untuk mengukur seberapa baik hasil clustering yang didapat. Evaluasi

dilakukan dengan membandingkan clusters hasil Bisecting K-means dengan

clusters hasil pengelompokan manual. Penelitian ini menggunakan pengukuran

akurasi Rand Index (RI) untuk evaluasi hasil clustering. RI merepresentasikan

hasil clustering sebagai kumpulan keputusan. Nilai akurasi RI adalah persentase

dari keputusan-keputusan yang benar (Manning et al. 2009).

6

Berikut adalah persamaan Rand Index:

Keterangan:

RI = Rand Index

TP = True Positive / banyaknya pasangan dokumen yang berada pada cluster

yang sama dalam pengelompokan manual sekaligus pada pengelompokan

oleh sistem.

FP = False Positive / banyaknya pasangan dokumen yang berada pada cluster

yang berbeda dalam pengelompokan manual tetapi berada pada satu

cluster dalam pengelompokan oleh sistem.

TN = True Negative / banyaknya pasangan dokumen yang berada cluster yang

berbeda dalam pengelompokan manual sekaligus pada pengelompokan

oleh sistem.

FN = False Positive / banyaknya pasangan dokumen yang berada pada cluster

yang sama dalam pengelompokan manual tetapi berada pada cluster yang

berbeda dalam pengelompokan oleh sistem.

Pengelompokan yang dilakukan dengan cara manual dalam penelitian ini

merupakan pengelompokan dokumen yang telah dianggap benar.

Lingkungan Pengembangan

Spesifikasi perangkat keras dan perangkat lunak yang digunakan untuk

penelitian ini adalah sebagai berikut:

Perangkat keras:

Processor Intel® CoreTM

i3

Memory 3 GB

Hard disk 320 GB

Perangkat lunak:

Sistem operasi Windows 7

Macromedia Dreamweaver 8

XAMPP

HASIL DAN PEMBAHASAN

Pengambilan dan Pemilihan Data

Data yang digunakan dalam penelitian ini diperoleh dari perpustakaan Ilmu

Komputer IPB dengan jumlah 191 dokumen, yang terdiri dari 78 dokumen abstrak

berbahasa Indonesia dan 113 dokumen abstrak berbahasa Inggris. Dokumen PDF

7

kemudian diekstrak menjadi plain text dan diambil bagian abstraknya, setelah itu

dibagi ke dalam 2 kategori, yaitu abstrak berbahasa Indonesia dan abstrak

berbahasa Inggris. Contoh data abstrak bahasa Indonesia pada penelitian ini dapat

dilihat pada Lampiran 1.

Pengelompokan Manual

Pengelompokkan manual dilakukan berdasarkan pada kesamaan topik

skripsi. Kesamaan topik antar-skripsi diketahui dengan cara membaca abstrak

pada setiap dokumen. Jika ditemukan topik skripsi yang tidak mempunyai

kelompok, pengelompokkan dilakukan dengan melihat dosen pembimbing pada

skripsi tersebut. Hal ini dilakukan dengan mengasumsikan bahwa seorang dosen

pembimbing akan membimbing mahasiswa pada satu domain topik. Hasil

pengelompokan manual untuk setiap kategori dokumen adalah 14 cluster untuk

setiap kategori bahasa Indonesia dan 12 cluster untuk kategori bahasa Inggris.

Adapun anggota untuk setiap cluster dapat dilihat pada Lampiran 2.

Praproses Data

Praproses data terbagi dalam beberapa tahapan, yaitu: lowercasing,

tokenisasi, dan pembuangan stopwords. Lowercasing dilakukan agar setiap kata

pada dokumen menjadi case-sensitif pada saat pemrosesan teks dokumen.

Tokenisasi menghasilkan suatu unit-unit kecil yang disebut token atau term.

Dalam proses tokenisasi, white space digunakan untuk melakukan pemecahan

token pada setiap dokumen, dalam penelitian ini term yang bertipe integer tidak

digunakan dalam proses clustering, sehingga pada saat tokeniasi term bertipe

tersebut dihapus. Jumlah term awal hasil dari tokenisasi memiliki jumlah yang

lebih besar dibandingkan setelah dilakukan pengurangan stopwords. Hal ini dapat

dilihat pada Tabel 2. Setelah term didapat, proses pembobotan dengan tf-idf

dilakukan. Hasil dari pembobotan tf-idf ini digunakan dalam proses clustering

dengan menggunakan Bisecting K-Means.

Tabel 1 Jumlah term hasil dari tokenisasi

Bahasa Indonesia Bahasa Inggris

Jumlah Dokumen 78 113

Total term awal 2941 3459

Total setelah penghapusan

stopwords

2629 3264

Bisecting K-Means

Proses clustering pada penelitian ini menggunakan algoritme Bisecting K-

means. Hasil dari clustering ini merupakan hasil akhir dari sistem yang

selanjutnya akan dievaluasi. Pengukuran keakuratan hasil clustering dilakukan

dengan menggunakan rand index.

8

Tabel 2 Serangkaian percobaan mencari posisi nilai i terbaik untuk kategori

bahasa Indonesia

I Jumlah

Cluster

Rand

Index I

Waktu

(detik)

0.1 2 0.347 0.382 8.575

0.2 2 0.443 0.374 6.931

0.3 2 0.492 0.376 6.497

0.4 3 0.456 0.442 7.296

0.5 6 0.772 0.540 13.409

0.6 10 0.820 0.614 19.483

0.7 19 0.895 0.707 28.060

0.8 33 0.915 0.802 29.298

0.9 51 0.926 0.903 26.960

1.00 78 0.924 1.000 27.257

Nilai i terbaik yang digunakan pada clustering Bisecting K-means

ditentukan dengan melakukan serangkaian percobaan. Serangkaian percobaan

pertama adalah dengan melakukan clustering untuk setiap kategori dokumen

dengan menggunakan nilai i = 0.1 sampai dengan nilai i = 1.00 dihasilkan

kemungkinan nilai i terbaik untuk bahasa Indonesia berada di antara 6.00-8.00 dan

kemungkinan nilai i terbaik untuk dokumen bahasa Inggris berada di antara 5.00-

7.00. Hasil percobaan dapat dilihat pada Tabel 3 dan Tabel 4, sedangkan data

percobaan selengkapnya dapat dilihat pada Lampiran 5 dan Lampiran 6.

Tabel 3 Serangkaian percobaan mencari posisi nilai i terbaik untuk kategori

bahasa Inggris

i Jumlah

Cluster

Rand

Index I

Waktu

(detik)

0.1 2 0.483 0.346 17.319

0.2 2 0.348 0.386 13.389

0.3 2 0.374 0.360 12.131

0.4 4 0.634 0.451 23.860

0.5 8 0.788 0.523 32.550

0.6 16 0.871 0.608 40.269

0.7 27 0.891 0.706 56.858

0.8 46 0.897 0.803 53.584

0.9 74 0.900 0.901 56.685

1.00 113 0.899 1.000 65.392

Percobaan selanjutnya mencari nilai i terbaik dengan mengacu pada hasil

percobaan sebelumnya. Pada setiap kategori dokumen, percobaan dilakukan

sebanyak 10 kali untuk setiap nilai i kemudian dihitung nilai rata-ratanya. Hasil

dari percobaaan setiap kategori dokumen dapat dilihat pada Tabel 5 dan Tabel 6,

sedangkan data percobaan selengkapnya dapat dilihat pada Lampiran 7 dan

Lampiran 8.

9

Tabel 4 Hasil percobaan clustering pada kategori abstrak bahasa Indonesia

i Jumlah

Cluster

Rand

Index I

Waktu

(detik)

0.63 12 0.852 0.642 21.120

0.64 13 0.863 0.655 22.311

0.65 14 0.859 0.661 22.995

0.66 14 0.862 0.671 21.695

0.67 14 0.867 0.678 24.767

0.68 14 0.839 0.688 24.835

0.69 16 0.873 0.696 25.669

0.70 19 0.895 0.707 28,060

0.71 19 0.886 0.717 19.311

0.72 20 0.888 0.729 21.889

Berdasarkan hasil percobaan tersebut, dipilih nilai i = 0.67. Nilai tersebut

dipilih karena memiliki rata-rata rand index yang sudah cukup baik, yaitu 0. 867 dan jumlah cluster sama dengan atau mendekati jumlah cluster manual, yaitu 14.

Nilai i lebih besar dari 0.70 memiliki rata-rata rand index yang lebih baik tetapi

menghasilkan jumlah cluster yang lebih banyak. Jumlah cluster yang melebihi

jumlah cluster manual memungkinkan adanya dokumen yang awalnya berada

dalam satu cluster menjadi terpisah.

Tabel 5 Hasil percobaan clustering pada kategori abstrak bahasa Inggris

i Jumlah

Cluster Rand Index I

Waktu

(detik)

0.51 8 0.774 0.535 36.039

0.52 9 0.798 0.540 35.327

0.53 10 0.819 0.549 48.522

0.54 11 0.842 0.555 40.390

0.55 13 0.862 0.559 38.788

0.56 13 0.861 0.571 45.254

0.57 13 0.855 0.581 44.415

0.58 15 0.871 0.592 43.910

0.59 15 0.870 0.600 42.918

0.60 16 0.871 0.608 40.269

Berdasarkan hasil percobaan tersebut, dipilih nilai i = 0.55. Nilai tersebut

dipilih karena memiliki rata-rata rand index yang sudah cukup baik, yaitu 0. 862

dan jumlah cluster sama dengan atau mendekati jumlah cluster manual, yaitu 12.

Nilai i minimum dan maksimum yang digunakan pada kategori bahasa

Inggris berbeda dengan kategori bahasa Indonesia dikarenakan abstrak bahasa

Inggris memiliki tingkat kemiripan dokumen yang lebih rendah.

10

Validasi Hasil Clustering

Validasi hasil clustering pada penelititan ini dilakukan dengan

menggunakan ukuran akurasi rand index. Hasil clustering untuk setiap kategori

abstrak menghasilkan nilai rand index yang kurang dari 1.00. Hal ini

menunjukkan bahwa masih terdapat kesalahan clustering yang dilakukan oleh

sistem. Kesalahan ini terjadi bisa disebabkan oleh tingkat kemiripan antar

dokumen yang rendah sehingga dokumen tersebut dimasukkan ke dalan cluster

terdekat. Contoh pasangan dokumen false positive bahasa Indonesia dan bahasa

Inggris dapat dapat dilihat pada Lampiran 3 dan 4.

Lampiran 3 adalah pasangan dokumen D22 dan D24 seharusnya tidak

berada dalam satu cluster, karena dokumen D22 membahas masalah Perangkat

Lunak Pembelajaran, sedangkan dokumen D24 membahas tentang Kinerja

Interkoneksi IPv4 dan IPv6.

SIMPULAN DAN SARAN

Simpulan

Berdasarkan hasil yang diperoleh dapat disimpulkan bahwa clustering

dokumen dengan menggunakan Bisecting K-Means dapat dilakukan. Ditinjau dari

segi hasil, nilai i terbaik untuk clustering abstrak bahasa Indonesia adalah 0.67

yang menghasilkan rand index sebesar 0.867 dan nilai i terbaik untuk clustering

abstrak bahasa Inggris adalah 0.55 yang menghasilkan rand index sebesar 0. 862.

Saran

Penelitian ini menerapkan algoritme Bisecting K-Means untuk

mengelompokkan dokumen skripsi berdasarkan abstraknya dan belum

memberikan bobot untuk kata yang diambil dari judul skripsi dan kata kunci.

Untuk penelitian selanjutnya disarankan memberikan bobot tambahan untuk kata

yang diambil dari judul skripsi dan kata kunci dalam abstrak.

DAFTAR PUSTAKA

Jain AK, Dubes RC. 1988. Algorithm for Clustering Data. New Jersey (US) :

Prentice Hall.

Manning CD, Raghavan P, Schutze H. 2009. An Introduction to Information

Retrieval. Cambridge (OB) : Cambridge University Press.

Nah F. 2003. A study on tolerable waiting time: how long are web users willing to

wait? Di dalam: 9th Americas Conference on Information Systems, AMCIS

2003; 2003 Agustus 4-6; Florida. United States of America. Florida (US):

DBLP. hlm 153-163.

11

Ramdani H. 2011. Clustering konsep dokumen berbahasa Indonesia

menggunakan Bisecting K-Means [skripsi]. Bogor (ID) :Institut Pertanian

Bogor.

Ridha A. 2002. Pengindeksan otomatis dengan istilah tunggal untuk dokumen

berbahasa Indonesia [SNIKTI]. Bogor(ID): Institut Pertanian Bogor.

12

Lampiran 1 Contoh hasil ekstraksi data abstrak bahasa Indonesia

ARSANDA PRAWISDA. Pengembangan Data Warehouse Program Tracking

Stasiun TV di Indonesia. Dibimbing oleh WISNU ANANTA KUSUMA dan

HARI AGUNG ADRIANTO. Stasiun TV berusaha untuk meningkatkan rating,

share, dan jumlah penonton dengan memperhatikan biaya produksi yang

dikeluarkan. Data stasiun TV yang berisi rating, share, jumlah penonton, dan

biaya produksi adalah data program tracking. Data program tracking diterima

stasiun TV dari perusahaan penyedia data setiap minggu. Data acara tersebut

menjadi acuan dalam menganalisis potensi sebuah acara. Untuk memudahkan

proses analisis, maka dibuat data warehouse yang merupakan tempat

penyimpanan data yang terintegrasi, multidimensi, dan menampilkan data dalam

suatu bentuk yang diharapkan akan memudahkan proses analisis dalam

pembuatan keputusan. Hasil dari penelitian ini adalah suatu data warehouse untuk

data program tracking dan suatu OLAP browser yang mempunyai fasilitas untuk

menambah data yang datang setiap minggunya dan visualisasi berupa tabel pivot

dan diagram batang dalam menampilkan data numerik dan tabel relasional untuk

menampilkan data kategorik. Visualisasi ini dibuat untuk mempermudah

pengguna dalam melihat data dalam proses analisis. Kata Kunci : Data warehouse,

Multidimensi, Online Analytical Processing (OLAP), Skema bintang.

13

Lampiran 2 Contoh hasil ekstraksi data abstrak bahasa Inggris

DEVI DIAN PRAMANA PUTRA. Extended Boolean Model on Retrieval Using

P-Norm Model and Belief Revision. Supervised by JULIO ADISANTOSO.

Extended Boolean Model is introduced to intermediate between the Boolean

system of query processing and the vector-processing model. The query structure

inherent in the Boolean system is preserved, while at the same time weighted term

may be incorporated into both queries and stored documents. The retrieved output

can also be ranked in strict similarity order with the user queries. Belief Revision

is a logical framework in which documents and queries are represented by

propositional formulas. Disjunctive Normal Form (DNF) is used to represent

documents and queries in the Belief Revision. The purpose of this research is to

implement Extended Boolean Model using P-Norm Model and Belief Revision

for documents in Bahasa Indonesia. This testing used 30 queries from a thousand

agricultural documents and 13 queries from 93 medicinal plants documents. The

test result shows that the use of medicinal plants documents is better than

agricultural documents. This is due to agricultural documents which have a high

similarity between documents. The performance of information retrieval with P-

Norm Model and Belief Revision gave good result which is around 81% average

precision for medicinal plants documents and 54% for agricultural documents.

Keywords: Boolean Model, Extended Boolean Model, P-Norm Model, Belief

Revision.

14

Lampiran 3 Hasil pengelompokan manual untuk setiap kategori dokumen

Cluster

An

ggota

C0 C1 C2 C3 C4 C5 C6 C7 C8 C9 C10 C11 C12 C13

D5 D13 D23 D10 D1 D7 D26 D8 D2 D15 D11 D3 D18 D12

D19 D74 D30 D21 D14 D37 D44 D27 D4 D16 D49 D48 D59 D17

D47 D76 D35 D32 D22 D39 D50 D40 D6 D20 D62 D54 D66 D60

D55 D43 D41 D24 D51 D72 D9 D25 D73 D69

D57 D42 D31 D52 D28 D29 D77

D67 D34 D63 D46 D33

D78 D36 D65 D56 D38

D53 D71 D58 D45

D68 D61 D64

D70 D75

D71

Cluster manual Bahasa Inggris

Cluster

An

ggota

C0 C1 C2 C3 C4 C5 C6 C7 C8 C9 C10 C11

D80 D81 D79 D86 D87 D88 D92 D93 D85 D107 D102 D125

D89 D84 D82 D134 D97 D95 D101 D103 D98 D120 D113 D129

D110 D108 D83 D158 D99 D96 D114 D146 D106 D141 D118 D130

D155 D115 D90 D180 D100 D109 D121 D150 D156 D142 D149

D163 D131 D91 D111 D119 D122 D160 D159 D144 D173

D143 D94 D116 D136 D133 D181 D165 D170 D190

D154 D104 D117 D138 D139 D183 D166 D191

D157 D105 D124 D140 D152 D186 D171

D112 D128 D151 D169 D175

D123 D135 D153 D184 D177

D126 D145 D185 D179

D127 D161 D189

D132 D162

D137 D164

D147 D167

D148 D172

D168 D178

D174 D182

D176

D187

D188

15

Lampiran 4 Hasil percobaan clustering pada kategori abstrak bahasa Indonesia

i Jumlah

Cluster

Rand

Index I

Waktu

(detik)

0.60 10 0.820 0.614 19.483

0.61 10 0.822 0.629 20.708

0.62 11 0.859 0.625 24.149

0.63 12 0.852 0.642 21.120

0.64 13 0.863 0.655 22.311

0.65 14 0.859 0.661 22.995

0.66 14 0.862 .671 21.695

0.67 14 0.867 0.678 24.767

0.68 14 0.839 0.688 24.835

0.69 16 0.873 0.696 25.669

0.70 19 0.895 0.707 28,060

0.71 19 0.886 0.717 19.311

0.72 20 0.888 0.729 21.889

0.73 22 0.904 0.736 19.867

0.74 23 0.900 0.747 21.019

0.75 25 0.907 0.753 21.158

0.76 28 0.915 0.764 32.155

0.77 28 0.914 0.772 25.705

0.78 29 0.915 0.783 25.415

0.79 31 0.918 0.796 23.236

0.80 31 0.915 0.803 23.392

16

Lampiran 5 Hasil percobaan clustering pada kategori abstrak bahasa Inggris

i

Jumlah

Cluster

Rand

Index I

Waktu

(detik)

0.50 8 0.788 0.523 32.550

0.51 8 0.774 0.535 36.039

0.52 9 0.798 0.540 35.327

0.53 10 0.819 0.549 48.522

0.54 11 0.842 0.555 40.390

0.55 13 0.862 0.559 38.788

0.56 13 0.861 0.571 45.254

0.57 13 0.855 0.581 44.415

0.58 15 0.871 0.592 43.910

0.59 15 0.870 0.600 42.918

0.60 16 0.871 0.608 40.269

0.61 17 0.875 0.615 43.378

0.62 18 0.874 0.632 41.396

0.63 19 0.880 0.634 43.446

0.64 20 0.881 0.647 47,845

0.65 21 0,882 0.656 48.238

0.66 22 0.891 0.667 45.345

0.67 25 0.894 0.677 16.692

0.68 28 0.892 0.684 47.049

0.69 29 0.898 0.699 47.884

0.70 30 0.897 0.706 50.103

17

Lampiran 6 Contoh pasangan dokumen false positive bahasa Indonesia

D22

DIAN WIRADARYA. INTEGRASI TEKS, GAMBAR, AUDIO DAN

VIDEO DALAM PERANGKAT LUNAK PEMBELAJARAN. Dibimbing oleh

Kudang Boro Seminar dan Panji Wasmana. Perangkat lunak pembelajaran saat ini

menggunakan multimedia. Hal ini mengubah paradigma belajar menjadi membaca,

melihat, mendengar, mengamati, dan mengerjakan. Tapi, pembuat perangkat

lunak pembelajaran ini haruslah orang yang memahami bahasa pemograman

karena tidak ada aplikasi khusus yang menyediakan template untuk membuat

perangkat lunak pembelajaran. Penelitian ini akan menganalisis, merancang dan

membuat prototipe perangkat lunak yang menampung template untuk membuat

perangkat lunak pembelajaran. Perangkat lunak yang dibangun merupakan

perangkat lunak yang mudah digunakan sehingga orang yang tidak paham bahasa

pemograman pun dapat menggunakannya. Aplikasi yang dibangun diberi nama

Perangkat Lunak Pembelajaran Institut Pertanian Bogor (PLPIPB) ), yaitu

PLPIPB EDITOR dan PLPIPB APLIKASI. Kedua aplikasi ini dapat dijalankan

terpisah dan memiliki fungsi yang berbeda. PLPIPB EDITOR digunakan untuk

melakukan integrasi objek multimedia dan PLPIPB APLIKASI digunakan untuk

menjalankan aplikasi hasil integrasi PLPIPB EDITOR. Dengan demikian, aplikasi

hasil integrasi tersebut dapat disebarluaskan tanpa bisa diedit. Kelebihan sistem

ini dari aplikasi yang telah ada adalah penggunaan bahasa Indonesia untuk fungsi-

fungsi yang dimiliki, besar program yang relatif kecil dan tingkat kompleksitas

penggunaan sistem yang relatif rendah.

D29

ANDRA RIZKI AQUARY. Analisis Kinerja Interkoneksi IPv4 dan IPv6

Menggunakan Mekanisme NAT-PT. Dibimbing oleh HERU SUKOCO dan

FIRMAN ARDIANSYAH. IPv6 adalah versi baru protokol Internet yang

dikembangkan untuk menggantikan IPv4. Alasan utama dikembangkannya IPv6

adalah untuk meningkatkan ruang alamat Internet sehingga mampu

mengakomodasi perkembangan jumlah pengguna Internet yang sangat cepat.

Penyebaran IPv6 membutuhkan banyak waktu dan usaha, sehingga terdapat suatu

masa transisi di mana IPv6 dan IPv4 berjalan bersamaan. Pada masa ini

dibutuhkan teknik-teknik yang dapat diimplementasikan oleh IPv6 untuk dapat

kompatibel dengan IPv4, teknik-teknik ini disebut mekanisme transisi. Salah satu

bentuk mekanisme transisi adalah penerjemahan protokol dari IPv4 ke IPv6

maupun sebaliknya. NAT-PT merupakan salah satu bentuk implementasi dari

penerjemahan protokol. Dengan NAT-PT dimungkinkan komunikasi dua arah

baik dari IPv6 ke IPv4 maupun sebaliknya. Dalam penelitian ini diamati kinerja

interkoneksi antara IPv6 dan IPv4, ukuran kinerjanya meliputi throughput, RTT,

utilisasi CPU, dan waktu resolusi nama. Interkoneksi dari IPv6 ke IPv4

memperoleh kinerja throuhgput yang lebih baik dibandingkan interkoneksi

dengan arah sebaliknya. Hasil sebaliknya terjadi pada pengujian RTT di mana

keunggulan dimiliki oleh interkoneksi IPv4 ke IPv6. Di lain pihak, untuk dua

pengujian lainnya, interkoneksi IPv6 ke IPv4 kembali memperoleh hasil lebih

18

baik. Hasil pengujian juga menunjukkan satu kelemahan NAT-PT, yaitu

ketidakmampuannya menangani paket-paket yang terfragmentasi.

Lampiran 7 Contoh pasangan dokumen false positive bahasa Inggris

D80

SUTANTO. Infrastructure Integration of VoIP Technology on Smartphone

(Android) and PABX in IPB Computer Network Environment. Under the

supervision of ENDANG PURNAMA GIRI. Voice over Internet Protocol (VoIP)

has become a widely used communication media. The increase of internet and

number of smartphone users has become important factors that supports the

broader use of VoIP technology. While on the other hand the number users of

Public Switched Telephone Network (PSTN) is still quite a lot, even in office

buildings are usually equipped with a device Private Automatic Branch eXchange

(PABX). The purposes of this research is to interconnect VoIP networks and

PABX network on IPB computer network and also develop a VoIP client

application for Android. In this research the use of Android smartphone is limited

on Wi-Fi network. The method used in this study consisted of: study of the

network topology of IPB, installation of VoIP server, interconnection between

VoIP network and PABX, interconnection VoIP server and server of Lightweight

Directory Access Protocol, and development of VoIP client application for

smartphones. Communication between VoIP and PABX on the IPB computer

network has been established, and a VoIP client application for smartphones has

been developed. The values of delay, jitter and packet loss are 43.74 ms, 14.76 ms,

and 0.81% respectively and the value of Mean Opinion Score (MOS) is between 4

and 4.3. It can be concluded that the quality of VoIP networks in IPB is good.

Keywords: VoIP, VoIP and PBX integration, VoIP Application for Android, VoIP

in Wi-Fi Network.

D99

ANDI RUSMIA SOFARI. Image Compression Using Embedded Zerotree

Wavelet. Under direction of Ahmad Ridha. High quality digital images need large

storage space. One solution to solve that is digital image compression techniques.

This research used Embedded Zerotree Wavelet (EZW) method to compress 24-

bit RGB images. EZW is very effective to quantize discrete wavelet coefficients

and to generate the bit stream in order of importance. This research used several

thresholds, i.e., 5, 10, 30, 50, and 70. The method is compared with JPEG and

JPEG2000 compression method using Peak Signal-to-Noise Ratio (PSNR) and

compression ratio as performance metrics. For JPEG compression, the image

quality level is set at low, medium, high, and maximum. At threshold 10, the

output quality of EZW compression approaches the low quality JPEG

compression, but the compression ratio of EZW is higher (13.769 versus 5.766).

Compression ratio of EZW at threshold 5 approaches the compression of medium

level JPEG compression, but output quality of EZW is better than output quality

JPEG (PSNR: 39.217 versus 36.537). For JPEG2000 compression, the image

quality level is set at 30, 50, 80, and 100. At threshold 10, the output quality of the

EZW compression approaches the output of the JPEG2000 compression at quality

level 50, but the compression ratio of EZW is higher (13.679 versus 5.796).

Compression ratio of EZW at threshold 5 approaches the compression of

19

JPEG2000 at quality level 50, but output quality of EZW is better than output

quality JPEG2000 (PSNR: 39,217 versus 36,289). Compression with EZW

method can offer better results than the method of JPEG and JPEG2000 on

condition adjacent to each other in quality of output or compression ratio.

Keywords: compression, discrete wavelet transform, embedded zerotree wavelet