JURNAL PENGELOMPOKAN SKRIPSI MENGGUNAKAN SELF ORGANIZING MAPS CLUSTERING (STUDI KASUS : PRODI TEKNIK INFORMATIKA UNIVERSITAS NUSANTARA PGRI KEDIRI)

JURNAL

PENGELOMPOKAN SKRIPSI MENGGUNAKAN SELF ORGANIZING M APS CLUSTERING (STUDI KASUS : PRODI TEKNIK INFORMATIKA UNIVERSITAS NUSANTARA PGRI KEDIRI) CLASSIFICATION OF THESIS USING SELF ORGANIZING M APS CLUSTERING (CASE STUDY: INFORMATICS ENGINEERING STUDY PROGRAM OF UNIVERSITY NUSANTARA PGRI KEDIRI)

Oleh: IKA ZULAIKAH 12.1.03.02.0095

Dibimbing oleh : 1. M. Rizal Arief, S.T., M.Kom 2. Daniel Swanjaya, M.Kom PROGRAM STUDI TEKNIK INFORMATIKA FAKULTAS TEKNIK UNIVERSITAS NUSANTARA PGRI KEDIRI 2017

Artikel Skripsi Universitas Nusantara PGRI Kediri

Ika Zulaikah | 12.1.03.02.0095 Fakultas Teknik – Teknik Informatika

simki.unpkediri.ac.id || 1||


PENGELOMPOKAN SKRIPSI MENGGUNAKAN SELF ORGANIZING MAPS CLUSTERING (STUDI KASUS : PRODI TEKNIK INFORMATIKA UNIVERSITAS NUSANTARA PGRI KEDIRI) Ika Zulaikah 12.1.03.02.0095 Fakultas Teknik – Program Studi Teknik Informatika Email : [email protected] M. Rizal Arief, S.T., M.Kom dan Daniel Swanjaya, M.Kom. UNIVERSITAS NUSANTARA PGRI KEDIRI

ABSTRAK Ika Zulaikah: Pengelompokan Skripsi Menggunakan Self Organizing Maps Clustering (Studi Kasus : Prodi Teknik Informatika Universitas Nusantara PGRI Kediri, Skripsi, TI, FT UN PGRI Kediri, 2017. Text mining berbasis pengelompokan skripsi menggunakan metode clustering Self Organizing Maps (SOM), dimana metode ini digunakan untuk meng-cluster skripsi pada Prodi Teknik Informatika Universitas Nusantara PGRI Kediri. Pada Prodi Teknik Informatika Universitas Nusantara PGRI Kediri data skripsi mahasiswa masih belum terinventaris dengan baik. Sehingga sering terjadi kesulitan dalam pencarian dan pengecekkan topik Skripsi. Bagaimana mengimplementasikan metode Self Organizing Maps (SOM) pada aplikasi pengelompokan skripsi? Pada sistem ini menggunakan abstrak sebagai input-an. Data-data abstrak tersebut telah tersimpan dalam database MySQL. Selanjutnya setiap kata dalam abstrak akan dipecah dengan menggunakan Tokenizing dan kata-kata yang telah dipecah akan distemingkan dan dikembalikan ke bentuk kata dasar. Proses selanjutnya yaitu pembobotan menggunakan metode TF-IDF. Dari proses TF-IDF tersebut akan menghasilkan bobot awal. Bobot awal dari proses TF-IDF selanjutnya akan dijadikan input-an untuk proses pembentukan jaringan SOM (clustering). Hasil dari proses tersebut berupa pelabelan pada masing-masing dokumen dan juga akan didapatkan bobot akhir. Metode Self Organizing Maps bisa digunakan untuk mengelompokan skripsi dalam beberapa cluster dan hasil yang diperoleh dapat langsung ditampilkan.

KATA KUNCI : Metode Self-Organizing Maps (SOM), Clustering, Jaringan Syaraf Tiruan (JST), Kohonen.

I.

LATAR BELAKANG Mahasiswa Skripsi Strata nantinya

untuk 1

(S1). akan

menyelesaikan

mendapatkan Skripsi dijadikan

gelar tersebut

seiring dengan kelulusan Mahasiswa pada setiap tahunnya mengakibatkaan pertambahan

banyaknya

Skripsi.

bahan

Tetapi Skripsi yang disimpan tersebut

pustaka penelitian dan sebagai koleksi

hanya diinventarisir di perpustakaan

untuk sebuah Program Studi (Prodi).

saja,

Dalam sebuah Program Studi (Prodi)

pencarian Skripsi berdasarkan


dan

hanya

disediakan

fitur judul



saja,

belum termasuk

konten dari

Skripsi tersebut.

isi.

Clustering

Prodi

Teknik

mengidentifikasi objek atau individu

Universitas

Nusantara

yang serupa dengan memperhatikan

PGRI Kediri data skripsi mahasiswa masih

kemiripan

adalah teknik yang digunakan untuk

Pada Informatika

memiliki

belum

terinventaris

beberapa kriteria.

dengan

Pada

penelitian

sebelumnya

baik. Sehingga sering terjadi kesulitan

pengelompokan

dalam pencarian

dan pengecekkan

sering

topik

Untuk

mengatasi

dilakukan oleh Ahmad Yusuf dan

Penulis

Tirta Priambadha pada tahun 2013

untuk

yang diberi judul “Support Vector

Teknik

Machines yang Didukung K-Means

Skripsi.

masalah

tersebut

mengajukan mambantu

dan

Penelitian Program

Informatika PGRI

maka

Studi

Universitas

Kediri untuk mengelompokan

Nusantara

dokumen

dilakukan.

Clustering

sudah

Seperti

Dalam

yang

Klasifikasi

menginventaris

Dokumen”. Pada penelitian tersebut

Skripsi

digunakan

yang

ada.

pengelompokan dokumen

dengan K-Means Clustering sebelum Aplikasi

merupakan

text

aplikasi

mengolah

data

Penggunaan

mining

yang

text

klasifikasi

mampu

dapat

meningkatkan akurasi sebesar 0,5 %

tulisan.

dan recall sebesar 0,4% pada data

mining

artikel

berupa

aplikasi

melakukan

yang

digunakan.

Klasifikasi

dapat menghemat waktu dan biaya,

akan mencapai akurasi terbaik pada

mengingat

jumlah

parameter jumlah kelompok tertentu.

dokumen yang ada. Aplikasi ini dapat

Hal ini dipengaruhi dengan variasi

mengelompokkan

data

banyaknya

dan

membagi

artikel yang digunakan.

Jika

dokumen ke dalam suatu kategori

menggunakan uji coba dengan data

yang

berbeda

Setiap

telah

ditentukan

kategori

sebelumnya.

dokumen

memiliki

sisi kemiripan yang nantinya dapat

dapat

untuk

membantu

dokumen

dengan

secara

otomatis

kemungkinan

parameter jumlah kelompok dengan akurasi terbaik berbeda pula.

divisualisasikan dengan cluster. Clustering

besar

Pada penelitian ini digunakan

digunakan

algoritma

Self

Organizing

Maps

menganalisis

(SOM). Algoritma Self Organizing

mengelompokkan

Maps (SOM) atau yang sering disebut

dokumen

dengan


yang

Jaringan

Syaraf

Tiruan



Kohonen,

yang merupakan sebuah

II.

METODE

metode yang dikenalkan oleh Teuvo

Self Organizing Map (SOM)

Kohonen pada tahun 1981. Jaringan

atau

Kohonen/SOM

digunakan

preserving

mengelompokkan

(clustering)

berdasarkan

untuk

sering

disebut map

topology-

pertama

kali

data

diperkenalkan oleh Profesor Teuvo

karakteristik/fitur-fitur

Kohonen pada tahun 1996. SOM

data.

merupakan salah satu teknik dalam Clustering

dengan

Neural Network yang bertujuan untuk

menggunakan algoritma SOM sudah

melakukan

sering digunakan sebelumnya. Salah

cara mengurangi dimensi data melalui

satunya

penggunaan

adalah

penelitian

yang

visualisasi

data

dengan

self-organizing

dilakukan oleh Ambarwati dan Edi

network

Winarko pada tahun 2014 yang diberi

mengerti high-dimensional data yang

judul

dipetakan

“Pengelompokan

Indonesia

Berdasarkan

Berita Histogram

Kata Menggunakan Self Organizing Pada

Maps”.

penelitian

tersebut

sehingga

neural

dalam

dimensional, (Kohonen,

manusia

dapat

bentuk

data.

low-

Kohonen

1989) menyatakan bahwa

“Metode

pembelajaran

didapatkan hasil bahwa pada tahun

digunakan

2007 sampai dengan tahun 2009 hasil

bimbingan dari suatu data input-target

pada

atau

clustering

memiliki

kecenderungan yang berbeda. Berdasarkan dilakukan mengajukan “Pengelompokan Menggunakan

Self

yang penulis

judul

unsupersived

adalah

tanpa

learning

yang

mengasumsikan sebuah topologi yang

penelitian

sebelumnya,

SOM

yang

terstruktur

menjadikan

unit

unit

kelas/cluster”.

Penelitian

Han dan Kamber (Han dan

Skripsi

Kamber, 2001) mengatakan bahwa

Organizing

“SOM

merupakan

metode

Maps Clustering (Studi Kasus :

berdasarkan model dari pendekatan

Prodi

jaringan

syaraf

jaringan

Self

Universitas

Teknik

Informatika

Nusantara

PGRI

tiruan”. Organizing

Dalam Maps

Kediri)” untuk membantu inventaris

(SOM), neuron target tidak diletakkan

dokumen Skripsi yang ada pada Prodi

dalam sebuah baris seperti layaknya

Teknik

model jaringan syaraf tiruan (JST)

Informatika

Universitas

Nusantara PGRI Kediri. Ika Zulaikah | 12.1.03.02.0095 Fakultas Teknik – Teknik Informatika

yang lain. Neuron target diletakkan simki.unpkediri.ac.id || 4||


dalam

dua

bentuk/topologinya Topologi

yang

dimensi

uang

Step 6

: update learning rate

dapat

diatur.

Step 7

: update jarak

akan

Step 8

: uji kondisi stop

berbeda

menghasilkan neuron sekitar neuron pemenang bobot

yang

yang

berbeda

dihasilkan

(

(S

juga

akan

III.

)

)…(2.3)

HASIL DAN KESIMPULAN

A. Hasil

(SOM), perubahan bobot tidak hanya pada

(

sehingga

berbeda. Pada Self Organizing Maps

dilakukan

)

bobot garis yang

terhubung ke neuron pemenang saja,

Dari

penjelasan

sebelumnya,

berikut ini merupakan gambaran dari alur sistem yang telah dibuat :

tetapi juga pada bobot garis ke start

neuron-neuron di sekitarnya. Neuron di

sekitar

neuron

pemenang

input data Skripsi

ditentukan berdasarkan jaraknya dari neuron pemenang. Berikut

stemming

ini

adalah

TF IDF

vektor fitur

tahapan output bobot awal SOM

dalam algoritma pembelajaran SOM : Step 0

: Inisialisasi bobot (Wij) max epoch

Tentukan parameter jarak (R)

pembentukan jaringan SOM

Tentukan learning rate ( ) Step 1

: Jika kondisi stop salah,

output label per dokumen dan bobot akhir SOM

lakukan step 2 – 8 Step 2

: untuk semua input vector x

end

lakukan step 3 – 5 Step 3 ()

Step 4

Gambar 3.1. Flowchart Sistem

: untuk setiap j ∑(

) ........................(2.1)

: dapatkan j sehingga D(j) minimal

Step 5

: untuk semua j yang berada

(

)

data

kemudian

Skripsi terlebih

data

tersebut

dahulu,

masuk

ke

proses stemming. Stemming dilakukan

semua i )

menunjukkan bahwa user melakukan input

dalam jarak dan untuk (

Dalam flowchart Gambar 3.1

dengan menggunakan Algoritma Tala. (

)


(2.2) simki.unpkediri.ac.id || 5||


Proses

selanjutnya

yaitu

Tabel 3.2. Tabel feature vektor

pembobotan menggunakan metode TFIDF. Dari proses TF-IDF tersebut akan

Vektor term

menghasilkan bobot awal. Bobot awal

Vektor Judul Dokumen D1

D2

D3

t1

1

1

0

dari proses TF-IDF selanjutnya akan

t2

0

1

0

dijadikan

t3

1

1

1

t4

0

0

1

t5

1

1

0

input-an

pembentukan

untuk

jaringan

proses SOM

(clustering). Hasil dari proses tersebut berupa pelabelan

Dari data Feature Vektor maka

pada masing-masing

dapat dibuat feature Matrik

dokumen dan juga akan didapatkan

(FM)

sebagai berikut :

bobot akhir. Dari gambaran

flowchart

[

di

]

atas, berikut ini simulasi perhitungan [

dari aplikasi yang telah dibuat : Misalkan

terdapat

Feature

]

Training

Vektor yang diperoleh dari Vektor

menggunakan

Dokumen Skripsi dan Vektor term

random

sebagai berikut :

pelatihan :

Feature bobot

antara

0-1

Matrik

secara untuk

nilai proses

Tabel 3.1. Tabel vektor judul dokumen Skripsi dan vektor term: Vektor Judul Dokumen D1 D2 D3 D4 D5

Judul Dokumen Skripsi Dokumen 1 Dokumen 2 Dokumen 3 Dokumen 4 Dst

[

]

[

]

Set Parameter Learning rate ( ) secara manual (random antara 0 – 1) yaitu 0,6; dengan tiap kenaikan

Vektor Terms t1 t2 t3 t4 t5

Terms Term1 Term2 Term3 Term4 dst

epoch akan diset 0,5 x ( ): Cari

terdekat

neuron

dengan Euclidean Distance : ( ∑


jarak

) (

) simki.unpkediri.ac.id || 6||


Contoh

Maka bobot / weight minimum pada d2 5, update dengan rumus

Training data ke 1 Iterasi (epoch) 1 :

(

d 2 1 = (W 11 - X11 )2 + (W 21 - X12 )2 + (W 31 - X13 )2 + 2

)

2

(W 41 - X14 ) + (W 51 - X15 )

=( )

) (

( )

Dan )

(

(

diperoleh

(

)

hasil

sebagai

W15 (baru) = 0,86697 W25 (baru) = 0,10175 W45 (baru) = 0,18604

d 2 2 = (W 12 - X11 )2 + (W 22 - X12 )2 + (W 32 - X13 )2 +

W35 (baru) = 0,87686

(W 42 - X14 )2 + (W 52 - X15 )2

)

)

berikut :

)

= 1,31255

=(

(

) (

( )

) (

(

W55 (baru) = 0,64709

)

Jadi, bobot baru iterasi (epoch)

= 1,77652

ke 1 data ke 1 :

d 2 3 = (W 13 - X11 )2 + (W 23 - X12 )2 + (W 33 - X13 )2 + (W 43 - X14 )2 + (W 53 - X15 )2

=( )

) (

( )

[ )

(

)

= 1,29045

[

d 2 4 = (W 14 - X11 )2 + (W 24 - X12 )2 + (W 34 - X13 )2 +

)

) (

( )

) (

]

Catatan :

(W 44 - X14 )2 + (W 54 - X15 )2

=(

]

(

Bobot baru iterasi data ke 1 ini

(

digunakan untuk bobot awal data ke 2

)

Misalkan ini adalah hasil update

= 2,37813

bobot : d 2 5 = (W 15 - X11 )2 + (W 25 - X12 )2 + (W 35 - X13 )2 +

Bobot baru iterasi (epoch) ke1 data ke

(W 45 - X14 )2 + (W 55 - X15 )2

i1 :

=( )

) (

( )

) (

(

(

)

)

= 1,26481 (Pemenang) [

]

d 2 6 = (W 16 - X11 )2 + (W 26 - X12 )2 + (W 36 - X13 )2 + (W 46 - X14 )2 + (W 56 - X15 )2

=( )

) (

( )

) (

( )

= 2,82693 Ika Zulaikah | 12.1.03.02.0095 Fakultas Teknik – Teknik Informatika



Bobot baru iterasi (epoch) ke 1 data ke

Jika

i2 : (

)

MSE

belum

menunjukkan

0,001,

lakukan

perhitungan

iterasi

(epoch)

ke

2.

untuk Langkah

perhitungan pada iterasi (epoch) ke 2 [

(

sama dengan langkah perhitungan pada

]

Bobot baru iterasi (epoch) ke 1 data ke

iterasi (epoch) ke 1. Setelah melakukan

i3 :

perhitungan jarak terdekat pada iterasi

)

(epoch) ke 2, dihasilkan bobot / weight minimum pada d2 5

[

muncul sebagai

pemenang. Tahap selanjutnya lakukan

]

update pada tersebut. Dan selanjutnya Catatan :

akan menghasilkan bobot baru iterasi

Bobot epoch 1 terakhir ini digunakan

(epoch) ke 2 data ke 1. Setelah beberapa iterasi (epoch)

untuk bobot awal epoch 2

dengan MSE 0,001,

Sebelum pindah ke epoch 2 lakukan

(

pengecekan

bobot

maka didapat

bobot akhir baru (disimpan) yang akan

sebagai

berikut :

digunakan

untuk

pengenalan

Bobot awal epoch 1 :

selanjutnya (Searching User).

data

)

Berikut ini adalah hasil dari bobot [

]

akhir : (

)

Bobot awal epoch 2 : (

)

[

[

]

]

Dari data sebelumnya diketahui bahwa data yang ada sebagai berikut :

MSE =

√(

)

√

MSE = √

i1 = (1, 0, 1, 0, 1) i2 = (1, 1, 1, 0, 1) i3 = (0, 0, 1, 1, 0)

MSE = 0,90027

dari ke 3 data tersebut dicari jarak

Keterangan :

terdekatnya dengan Euclidean Distance

Epoch akan berhenti jika nilai MSE = 0,001

adalah sebagai berikut :

(set manual program) Ika Zulaikah | 12.1.03.02.0095 Fakultas Teknik – Teknik Informatika


Artikel Skripsi Universitas Nusantara PGRI Kediri (sample i1 )

(sample i2 )

(sample i3 )

d2 1 = 0,99972

d2 1 = 0,00000 (win)d2 1 = 3,99752

d2 2 = 2,99756

d2 2 = 3,99682

2

d2 2 = 0,00000 (win)

2

d 3 = 1,29045

d 3 = 1,51561

d2 3 = 0,84655

d2 4 = 2,37813

d2 4 = 1,75555

d2 4 = 1,68555

2

2

d 5 = 0,00000 (win)d 5 = 0,99966

d2 5 = 2,99780

d2 6 = 2,82693

d2 6 = 1,17135

d2 6 = 2,08051

Maka Euclidean

dari Distance

hasil

perhitungan

di atas dapat

disimpulkan data telah tercluster : i1 masuk kelompok cluster 5, i2 masuk kelompok cluster 1, dan i3 masuk kelompok cluster 2.

B. Kesimpulan Melalui pembahasan yang telah diuraikan pada bab sebelumnya, maka dapat ditarik kesimpulan yaitu: Metode Self Organizing Maps bisa

Menggunakan Self-Organizing Map, 8 (1). (Online), tersedia: http://genome.tugraz.at/MedicalInfo rmatics2/SOM.pdf, diunduh 5 Januari 2016. Darmono & Hasan, Ani. M. 2002. Menyelesaikan Skripsi Dalam Satu Semester. Jakarta: PT Gramedia Widiasarana Indonesia. Han, J., M. Kamber, A. Tung. 2001. Spatial Clustering Methods In Data Mining. Geographic Data Mining and Knowledge Discovery. H. Miller and J. Han. Londor, Taylor & Fancis:188-217 Irwansyah, Edy & Faisal, Muhammad. 2015. Advanced Clustering Teori dan Aplikasi. Yogyakarta: Deepublish. Kohonen, T. 1989. Self-organization and Associztive Memory. Third Edition. Berlin: Springer-Verlag.

digunakan dalam aplikasi text

mining untuk mengelompokkan skripsi

Kohonen, Teuvo. 1990. The Organizing Map. IEEE.

Self

dalam beberapa cluster dan hasil yang diperoleh dapat langsung ditampilkan.

IV.

DAFTAR PUSTAKA

Adelheid, Andrea & Nst, Khairil. 2012. Buku Pintar Menguasai PHP MySQL. Jakarta: Mediakita Al, Henderi Et. 2008. Pengertian Use Case Diagram Deskripsi (Online), tersedia: http://www.jelajahiinternet.com/201 4/10/pengertian-use-case-diagramdeskripsi.html, 21 Januari 2016. Ambarwati & Winarko, Edi. 2013. Pengelompokan Berita Indonesia Berdasarkan Histogram Kata Ika Zulaikah | 12.1.03.02.0095 Fakultas Teknik – Teknik Informatika

Nofriadi. 2015. Java Fundamental dengan Netbeans 8.0.2, (Online). Yoyakarta : Deepublish. Rahayu, Minto. 2009. Bahasa Indonesia Di Perguruan Tinggi. Jakarta : PT Gramedia Widiasarana Indonesia. Sugiyono. 2008. Metode Penelitian Pendidikan. Bandung: Alfabeta. Supardi, Yuniar. 2007. Pemrograman Database dengan Java dan MySQL. Jakarta: PT Elex Media Komputindo. Supriyatno. 2010. Pemrograman Database menggunakan Java dan MySQL untuk Pemula. Jakarta: Mediakita. simki.unpkediri.ac.id || 9||


Tala F. Z. 2004. A Study of Stemming Effects on Information Retrieval in Bahasa Indonesia. Institute for Logic, Language and Computation Universiteit van Amsterdam The Netherlands. Tan, P. et al. 2006. Intruduction to Data Mining. Boston: Pearson Education. Utomo, Mardi Siswo. 2013. Implementasi Stemmer Tala pada Aplikasi Berbasis Web, 18 (1). (Online), tersedia: http://www.unisbank.ac.id/ojs/index .php/fti1/article/view/1673/607, diunduh 25 Januari 2016. Wahyuningtyas, Ferida Kristin. 2014. Rekomendasi Resep Masakan


Menggunakan Metode Fuzzy dan Self Organizing Map (SOM). Skripsi. Kediri : Universitas Nusantara PGRI. Westra, P.1991. Pengertian dan Definisi Sekripsi (Online), tersedia: http://www.kumpulandefinisi.com/2 015/07/pengertian-dan-definisisekripsi_97.html, 13 Januari 2016. Yusuf, Ahmad & Priambadha, Tirta. 2013, Support Vector Machines yang Didukung K-Means Clustering Dalam Klasifikasi Dokumen, 11 (1). (Online), tersedia: http://juti.if.its.ac.id/index.php/juti/a rticle/view/15/14, diunduh 12 Januari 2016.


JURNAL PENGELOMPOKAN SKRIPSI MENGGUNAKAN SELF ORGANIZING MAPS CLUSTERING (STUDI KASUS : PRODI TEKNIK INFORMATIKA UNIVERSITAS NUSANTARA PGRI KEDIRI)

Recommend Documents