Web Document Clustering Through Metafile Generation for Digraph Structuring Using Document Index Graph Algorithm

PENGELOMPOKAN DOKUMEN WEB MELALUI PEMBANGKITAN
METAFILE PENYUSUN STRUKTUR DIGRAF MENGGUNAKAN
ALGORITME DOCUMENT INDEX GRAPH

BUDI

SEKOLAH PASCASARJANA
INSTITUT PERTANIAN BOGOR
BOGOR
2014

PERNYATAAN MENGENAI TESIS DAN
SUMBER INFORMASI SERTA PELIMPAHAN HAK CIPTA*
Dengan ini saya menyatakan bahwa tesis berjudul Pengelompokan
Dokumen Web Melalui Pembangkitan Metafile Penyusun Digraf Menggunakan
Algoritme Document Index Graph 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 tesis ini.
Dengan ini saya melimpahkan hak cipta dari karya tulis saya kepada Institut

Pertanian Bogor.
Bogor, Februari 2014
Budi
NIM G651110201

RINGKASAN
BUDI. Pengelompokan Dokumen Web Melalui Pembangkitan Metafile Penyusun
Digraf Menggunakan Algoritme Document Index Graph. Dibimbing oleh SRI
NURDIATI dan BIB PARUHUM SILALAHI.
Saat ini, peningkatan volume data khususnya pada dokumen teks dan
implikasinya terhadap isu tentang akurasi hasil pencarian dan temu kembali
informasi telah memicu berkembangnya penggunaan teknik pengelolaan dan
analisis data. Teknik tersebut digunakan untuk membagi kumpulan dokumen ke
dalam kelompok-kelompok yang berbeda sehingga dokumen yang terdapat pada
suatu kelompok akan mengandung informasi yang sama dan terkait satu sama
lain. Oleh karena itu diperlukan sebuah metode pengelompokan dokumen agar
memudahkan dalam pengambilan informasi sesuai kebutuhan pengguna.
Clustering merupakan salah satu teknik yang dapat digunakan untuk
menemukan keterkaitan antar dokumen. Teknik ini memisahkan sekumpulan
dokumen ke dalam beberapa cluster dengan menghitung kemiripan antar

dokumen. Dokumen-dokumen yang telah dikelompokkan akan membantu
pengguna untuk dapat menemukan informasi yang dibutuhkan dan akan
meningkatkan kecepatan akses terhadap informasi tersebut. Adapun ruang lingkup
penelitian ini adalah : 1) Dokumen uji dan dokumen latih menggunakan newswire
REUTERS-21578 2) Algoritme menghasilkan output berupa sebuah metafile yang
akan digunakan sebagai input untuk merepresentasikan struktur digraf.
Metode penelitian yang digunakan antara lain studi literatur; praproses data;
implementasi algoritme document index graph (DIG); pembangkitan metafile
untuk penyusunan struktur digraf; representasi digraf; serta analisis hasil
pengelompokan. Selain ketiga proses inti yakni tokenisasi, stop-word removal dan
stemming, pada tahap praproses data ditekankan kepada mekanisme dimentional
reduction. Mekanisme dimentional reduction dilakukan dengan penentuan nilai
term frequent threshold sebelum proses pengelompokan. Hasil praproses data
dilanjutkan dengan implementasi algoritme DIG. Algoritme DIG menghitung
bobot kata yang sering muncul dalam dokumen yang diproses. Hasil implementasi
algoritme DIG menghasilkan kelompok kata dengan frekuensi kemunculan lebih
dari 20 kali. Output implementasi algoritme ditulis ke dalam sebuah metafile yang
akan digunakan sebagai input untuk pembangunan struktur digraf dan representasi
digraf. Analisis hasil penelitian dilakukan dengan menghitung prosentase
precision, recall dan accuracy terhadap cluster yang dihasilkan. Implementasi

algoritme DIG dengan mekanisme dimentional reduction dalam tahap praproses
data mampu menghasilkan akurasi di atas 70%.
Kata kunci: Document Index Graph, Clustering, REUTERS dataset, metafile,
digraf

SUMMARY
BUDI. Web Document Clustering Through Metafile Generation for Digraph
Structuring Using Document Index Graph Algorithm. Supervised by SRI
NURDIATI and BIB PARUHUM SILALAHI.
Nowaday, the increased volume of data, especially on text documents and
their implications for the issue of the accuracy of the search results and
information retrieval has led to the development and the use of data management
and analysis techniques. The technique is used to split the document into different
groups so that the documents contained in a group will contain the same topic and
related to each other. Therefore we need a method of grouping documents in order
to facilitate the retrieval of information according to user needs.
Clustering is a technique that can be used to discover linkages between
documents. This technique separates a set of documents into several groups or
clusters by calculating the similarity between documents. Documents that have
been clustered, will help users finding the information needed and will increase

the speed of access to that information. The scope of this research consists of : 1)
the test and training documents using REUTERS newswire-21578; 2) algorithm
generates output in metafile form that will be used as input to represent the
structure of digraphs.
Research methods perform literature studies, data preprocessing,
implementation of Document Index Graph (DIG) algorithm, generating the
metafile for digraphs construction, digraphs representation, and analysis of
clustering result. Instead of three core processes tokenization , stop-word removal
and stemming, data preprocessing stage is concerned with dimentional reduction
mechanism. Dimentional reduction will determine the document frequency
threshold values before clustering process. The results of data preprocessing will
be followed by the implementation of the DIG algorithm. The algorithm
calculates the weight of words that often appears in the document being
processed. The results bring a bag of words that frequently appear more than 20
times. The output of this result is written into a metafile that will be used as input
for the digraph structuring and representation. This research analyzes the results
by calculating precision, recall and accuracy percentage on clustering result. DIG
algorithm implementations using dimentional reduction mechanism through data
preprocessing stage is able to produce an accuracy above 70 %.
Key words : Document Index Graph, Clustering, REUTERS dataset, metafile,

digraph

© Hak Cipta Milik IPB, Tahun 2014
Hak Cipta Dilindungi Undang-Undang
Dilarang mengutip sebagian atau seluruh karya tulis ini tanpa mencantumkan
atau menyebutkan sumbernya. Pengutipan hanya untuk kepentingan pendidikan,
penelitian, penulisan karya ilmiah, penyusunan laporan, penulisan kritik, atau
tinjauan suatu masalah; dan pengutipan tersebut tidak merugikan kepentingan
IPB
Dilarang mengumumkan dan memperbanyak sebagian atau seluruh karya tulis ini
dalam bentuk apa pun tanpa izin IPB

PENGELOMPOKAN DOKUMEN WEB MELALUI PEMBANGKITAN
METAFILE PENYUSUN STRUKTUR DIGRAF MENGGUNAKAN
ALGORITME DOCUMENT INDEX GRAPH

BUDI

Tesis
sebagai salah satu syarat untuk memperoleh gelar

Magister Sains
pada
Program Studi Ilmu Komputer

SEKOLAH PASCASARJANA
INSTITUT PERTANIAN BOGOR
BOGOR
2014

Penguji pada Ujian Tesis : Dr Eng Wisnu Ananta Kusuma, ST MT.

: Pengelompokan Dokumen Web Melalui Pembangkitan Metafile
Penyusun Struktur Digraf Menggunakan Algoritme Document
Index Graph
Nama
: Budi
NIM
: G651110201
Program Studi
: Ilmu Komputer

Judul Tesis

Disetujui oleh
Komisi Pembimbing

Dr Ir Sri Nurdiati, MSc.
Ketua

Dr Ir Bib Paruhum Silalahi, MKom
Anggota

Diketahui oleh

Ketua Program Studi
Ilmu Komputer

Dekan Sekolah Pascasarjana

Dr Eng Wisnu Ananta Kusuma, SSi, MT

Dr Ir Dahrul Syah, MSc,Agr

Tanggal Ujian:

Tanggal Lulus:

PRAKATA
Puji dan syukur penulis panjatkan kepada Allah subhanahu wata’ala atas
segala karunia-Nya sehingga karya ilmiah ini berhasil diselesaikan. Tema yang
dipilih dalam penelitian yang dilaksanakan sejak bulan Desember 2012 ini ialah
text clustering, dengan judul Pengelompokan Dokumen Web Melalui
Pembangkitan Metafile Penyusun Struktur Digraf Menggunakan Algoritme
Document Index Graph.
Terima kasih penulis ucapkan kepada Ibu Dr Ir Sri Nurdiati, MSc dan
Bapak Dr Ir Bib Paruhum Silalahi, ST, MT selaku pembimbing yang telah banyak
memberi saran. Selain itu, penghargaan penulis sampaikan kepada pimpinan
Program Diploma IPB, semua dosen dan staf Departemen Ilmu Komputer IPB,
dosen dan staf Program Diploma IPB yang telah membantu selama proses
penelitian. Ungkapan terima kasih juga disampaikan kepada istri Sumarlina

Syahara Fona, ananda Ajji Tana Arifainy dan Jiilaan Rana Hanniyah, Ayah, Ibu,
serta seluruh keluarga, atas segala doa dan kasih sayangnya.
Semoga karya ilmiah ini bermanfaat.

Bogor, Januari 2014
Budi

DAFTAR ISI
Halaman
DAFTAR TABEL

ix

DAFTAR GAMBAR

ix

DAFTAR LAMPIRAN

ix

1 PENDAHULUAN

1

Latar Belakang
Tujuan Penelitian
Ruang Lingkup
2 TINJAUAN PUSTAKA
Text mining
Text Clustering
The Reuters-21578 dataset
Text Preprocessing
Document Index Graph
Metafile Penyusun Graf
Precision, Recall dan Accuracy
3 METODE
Analisis Masalah dan Studi Pustaka
Tahap Praproses Data
Implementasi Algoritme Document Index Graph (DIG)

Pembangkitan metafile penyusun struktur digraf
Representasi digraf menggunakan metafile penyusun digraf
Analisis hasil pengelompokan berdasarkan pengujian

1
3
4
5
5
5
5
6
6
7
8
9
10
10
11
13
13
13

4 HASIL DAN PEMBAHASAN

15

5 SIMPULAN DAN SARAN

21

Simpulan
Saran

21
21

DAFTAR PUSTAKA

22

RIWAYAT HIDUP

30

DAFTAR TABEL
Halaman
1 Faktor dan level penelitian
2 Hasil pengelompokan 20 dokumen dengan nilai document frequency
threshold 0
3 Hasil pengelompokan 20 dokumen dengan nilai document frequency
threshold 2
4 Hasil pengelompokan 25 dokumen dengan nilai document frequency
threshold 0
5 Hasil pengelompokan 25 dokumen dengan nilai document frequency
threshold 3
6 Perhitungan precision, recall dan accuracy pada 20 dokumen

9
16
16
17
17
19

DAFTAR GAMBAR
Halaman
1 Posisi penelitian
2 Representasi dokumen dengan DIG (Hammouda, 2004)
3 Perbedaan accuracy dan precision (Raharjo, 2011)
4 Rumus perhitungan precision, recall dan accuracy (Raharjo, 2011)
5 Metode penelitian
6 Ilustrasi Document Index Graph (Hammouda 2004)
7 Komposisi kategorisasi teks berdasarkan Lewis (1997)
8 Tampilan praproses data
9 Representasi digraf dari input metafile penyusun struktur digraf
10 Grafik nilai precision, recall dan accuracy pada dokumen uji

3
7
8
8
9
12
12
15
18
20

DAFTAR LAMPIRAN
Halaman
1. Hasil implementasi algoritme DIG pada 50 dokumen latih dengan
beberapa variasi nilai Term Frequency threshold dan minimal bobot
kemunculan kata dalam dokumen atau bobot TF lebih dari 20 kali.
2. Hasil implementasi algoritme DIG pada 100 dokumen latih dengan
beberapa variasi nilai Term Frequency threshold dan minimal bobot
kemunculan kata dalam dokumen atau bobot TF lebih dari 20 kali.
3. Hasil perhitungan precision, recall dan accuracy pada 25 dokumen
REUTERS
4. Hasil perhitungan precision, recall dan accuracy pada 50 dokumen
REUTERS

23

24
26
27

1

1 PENDAHULUAN
Latar Belakang
Dokumen web adalah salah satu sumber daya pada sebuah sistem berbasis web
yang banyak ditemukan dalam bentuk tekstual misalnya dokumen teks, dokumen web,
artikel dan paper dan lain sebagainya (Hammouda, et al., 2004). Peningkatan volume
data khususnya pada dokumen teks saat ini memberikan implikasi terhadap isu yang
berkaitan dengan akurasi temu kembali informasi dan kecepatan akses terhadap
informasi yang ditelusuri. Implikasi tersebut menjadi pemicu penggunaan teknik
pengelolaan dan analisis data. Teknik yang dimaksud adalah membagi kumpulan
dokumen ke dalam kelompok-kelompok yang berbeda sehingga dokumen yang terdapat
pada suatu kelompok akan mengandung informasi yang sama dan terkait satu sama lain.
Oleh karena itu diperlukan sebuah metode pengelompokan dokumen agar memudahkan
dalam pengambilan informasi sesuai kebutuhan user.
Clustering merupakan salah satu teknik yang dapat digunakan untuk
menemukan keterkaitan antar dokumen. Tujuan pengelompokan adalah untuk
memisahkan sekumpulan dokumen ke dalam beberapa kelompok atau cluster dengan
menilai kemiripan antar dokumen dari segi isi. Pada umumnya teknik pengelompokan
dilandasi oleh 4 (empat) konsep tahapan yakni: (1) Praproses data, (2) Penghitungan
kemiripan (similarity measure), (3) Pemilihan metode pengelompokan (cluster method),
dan (4) Algoritme pengelompokan yang digunakan. Banyak metode yang dapat dipakai
dalam pengelompokan dokumen seperti dengan Suffix Tree, Single Pass Clustering
maupun K-Nearest Neighbour. Kebanyakan metode pengelompokan dokumen berbasis
pemodelan ruang vektor yang merepresentasikan dokumen sebagai fitur vektor dari term
yang muncul pada semua dokumen (Hammouda 2004). Pengelompokan dengan metode
seperti ini hanya memperhatikan analisis single term, tanpa memperhatikan analisis
berbasis frasa. Idealnya proses pengelompokan sebaiknya tidak hanya memperhatikan
analisis single term saja, akan tetapi perlu diperhatikan juga analisis frasa dari suatu
dokumen. Dengan analisis frasa, kesamaan antar dokumen akan dihitung berdasarkan
pencocokan frasa.
Penelitian Oren Zamir (1998), melakukan analisis pengelompokan dokumen
berbasis analisis frasa dengan pendekatan Suffix Tree Clustering (STC). Metode
tersebut pada dasarnya melibatkan penggunaan struktur “trie” (tree sederhana) untuk
merepresentasikan suffix yang digunakan bersama antar dokumen. Berdasarkan suffix
dilakukan identifikasi cluster dasar dari dokumen, dan akan digabungkan ke dalam
cluster akhir berdasarkan algoritme connected-component graph. Metode ini diklaim
memiliki nilai kompleksitas n log(n) dan menghasilkan cluster yang baik, akan tetapi
model tree yang terbentuk dapat dikatakan memiliki nilai redundansi yang tinggi pada
kasus term dari suffix yang disimpan pada tree.
Penelitian Hammouda (2004) yang berjudul “Efficient Phrase-Based Document
Indexing for Web Document Clustering”, mengusulkan struktur baru dalam
merepresentasikan sebuah dokumen yakni Document Index Graph (DIG). DIG adalah
sebuah graf berarah yang dibangun oleh gugus vertex dan edge. Setiap vertex mewakili
sebuah kata unik dalam keseluruhan gugus dokumen yang ada. Dua kata berurut dalam
sebuah kalimat akan saling terhubung dengan edge berarah dalam graf. Sebuah kalimat
digambarkan sebagai sebuah jalur dari vertex-vertex yang berurut sesuai dengan kata-

2

kata dalam kalimat tersebut. DIG memungkinkan untuk mengenali pencocokan frasa
antar dokumen. Ketika sebuah dokumen baru diproses, maka algoritme akan
membentuk atau membangun sebuah daftar kesamaan antar dokumen tersebut dengan
semua dokumen sebelumnya telah disimpan. Penelitian tersebut dapat menangkap
struktur dari kalimat pada sebuah set dokumen dibanding hanya kata tunggal saja.
Dokumen yang dianalisis pada penelitian adalah dokumen HTML. Hasil pemodelannya
adalah bentuk XML yang terstruktur dengan baik sesuai dengan dokumen HTML yang
asli namun dengan tingkat signifikansi yang ditugaskan kebagian yang berbeda di
dokumen asli. Hasil penelitian menyimpulkan bahwa kualitas cluster yang terbentuk
dari pemodelan DIG lebih baik hasilnya dibanding dengan pemodelan berbasis ruang
vektor. Di samping itu, penelitian ini menyimpulkan bahwa ukuran kemiripan berbasis
frasa memiliki tingkat akurasi yang tinggi dengan syarat telah memperhatikan pengujian
terhadap faktor-faktor yang mempengaruhi derajat overlap antar dokumen.
Penelitian Ernawati (2009) yang berjudul “Klusterisasi Dokumen Berita
Berbahasa Indonesia Menggunakan Document Index Graph”, menunjukkan bahwa
algoritme DIG dapat diimplementasikan untuk mendeteksi kesamaan berbasis frasa dan
menangani overlap clustering. Walaupun tidak selalu terjadi, kesamaan berbasis frasa
dapat memperbaiki performansi cluster berdasarkan pengukuran f-measure dan entropy.
Ada beberapa titik kesamaan berbasis frasa justru dapat mengurangi nilai performansi,
oleh karena itu perlu dicari titik optimal similarity blend factor dan similarity threshold.
Berdasarkan perkembangan peningkatan volume data pada dokumen web saat
ini dan mencermati implikasi dari perkembangan tersebut serta mempelajari hasil
penelitian yang telah dilakukan sebelumnya, maka usulan pemodelan representasi
dokumen pada penelitian ini adalah melakukan pengelompokan dokumen menggunakan
algoritme Document Index Graph (DIG). Model ini melakukan proses indeks terhadap
dokumen dengan tetap menjaga struktur kalimat dalam dokumen asli. Hal ini
memungkinkan kita untuk menggunakan pencocokan frasa lebih informatif daripada
pencocokan kata-kata individu. Selain itu, DIG juga menangkap berbagai tingkat
signifikansi dari kalimat asli, sehingga memungkinkan kita untuk menggunakan kalimat
secara signifikan. Suffix tree adalah struktur yang paling dekat dengan model DIG, tetapi
suffix tree memiliki kendala ketika terjadi redundansi yang besar (Huang 2011). Model
DIG yang diusulkan bukan hanya perpanjangan atau perangkat tambahan suffix tree,
tetapi DIG memiliki perspektif yang berbeda tentang bagaimana pencocokan frasa dapat
lebih efisien, tanpa perlu menyimpan informasi yang berlebihan. Penelitian terkait yang
telah dijelaskan sebelumnya mengarahkan penulis kepada fokus dan posisi penelitian
yang akan dilakukan berdasarkan pada pekerjaan yang belum dilakukan pada penelitian
sebelumnya. Posisi penelitian dapat ditampilkan pada Gambar 1.

3

Gambar 1 Posisi penelitian
Pekerjaan yang dilakukan pada penelitian “Pengelompokan Dokumen Web
melalui Pembangkitan Metafile Penyusun Struktur Digraf menggunakan Algoritme
Document Index Graph (DIG)” adalah menerapkan teknik text clustering menggunakan
REUTER 21578 dataset dengan menggunakan pemodelan berbasis graf dan
menggunakan algoritme DIG. Untuk tahapan pekerjaan akan dilakukan kolaborasi
antara perancangan pada system document clustering secara umum dengan tahapan
document clustering menggunakan representasi DIG. Adapun tahapan perancangan
sistem document clustering secara umum meliputi : (1) Tahap preprocessing data; (2)
Analisis semantik/sintaksis; (3) Representasi dokumen; (4) Pengelompokan dokumen ;
(5) Evaluasi pengelompokan. Tahapan document clustering menggunakan representasi
DIG meliputi : (1) Identifikasi struktur dokumen atau tahapan praproses data; (2)
Representasi dokumen menggunakan DIG; (3) Penghitungan ukuran kesamaan
dokumen; (4) Proses pengelompokan dengan algoritme DIG.

Tujuan Penelitian
Penelitian ini mempunyai tujuan mengimplementasikan algoritme Document
Index Graph (DIG) untuk proses pengelompokan dokumen dan menggunakan metafile
untuk menyusun struktur digraf sebagai representasi hasil implementasi algoritme DIG
tersebut.

4

Ruang Lingkup
Adapun ruang lingkup penelitian ini adalah :
1

Dokumen web yang digunakan adalah dokumen SGML yang telah terstruktur
dalam hal ini artikel berita REUTER-21578,

2

Implementasi praproses data dilakukan dengan melakukan perhitungan nilai
Term Frequency (TF) dengan menentukan nilai intra-cluster threshold dan nilai
inter-cluster threshold

3

Output algoritme berupa metafile yang akan digunakan sebagai input lanjutan
untuk representasi struktur digraf

4

Menganalisis implikasi hasil penelitian dari sisi akurasi data dengan pengukuran
nilai prosentase Precision, Recall dan Accuracy.

5

2 TINJAUAN PUSTAKA
Text mining
Text mining adalah teknik penambangan data yang berupa teks dengan sumber
data biasanya didapatkan dari dokumen, dan tujuannya adalah mencari kata-kata yang
dapat mewakili isi dari dokumen sehingga dapat dilakukan analisis keterhubungan antar
dokumen (Langgeni 2010).
Metode pada text mining terdiri atas komponen text pre-processing, feature
selection, dan komponen data mining. Komponen text pre-processing berfungsi untuk
mengubah data tekstual yang tidak terstruktur seperti dokumen ke dalam data terstruktur
dan disimpan ke dalam database. Feature selection akan memilih kata yang tepat dan
berpengaruh pada proses klasifikasi atau proses pengelompokan. Komponen terakhir
akan menjalankan teknik data mining pada output dari komponen sebelumnya.

Text Clustering
Dalam penyusunannya, penggalian teks mempunyai beberapa tahapan yaitu
pemrosesan awal, penyusunan data model, clustering, proses lanjutan, visualisasi dan
ontologi. Text clustering merupakan salah satu fungsi fundamental dalam penggalian
teks. Text clustering didefinisikan sebagai proses untuk memecah suatu kumpulan teks
dokumen ke dalam klasifikasi yang berbeda-beda, sehingga beberapa dokumen dalam
satu grup kategori dapat menunjukkan kesamaan topik (Fang 2005). Text clustering
sangat berpengaruh dalam penggalian teks karena menunjukkan topik yang terdapat
dalam dokumen dan mengidentifikasikan kata kunci dari setiap topik.
Teknik pengelompokan (Clustering) adalah sebuah teknik pembelajaran tanpa
pengawasan (unsupervised learning) yang bertujuan untuk mengelompokkan
seperangkat objek abstrak atau objek fisik ke dalam kelas-kelas objek yang sama (Wang
2006). Pengelompokan pada dokumen membagi gugus dokumen ke dalam kelompok
yang belum terdefinisi berdasarkan kesamaan dokumennya. Jumlah kelompok yang
dihasilkan bersifat tetap atau acak tergantung dari algoritme yang digunakan. Teknik
pengelompokan dokumen adalah cabang ilmu yang melibatkan temu kembali informasi,
kecerdasan buatan, data mining, dan pemrosesan natural language. Secara umum,
pengelompokan dokumen adalah metode pengelolaan dokumen yang efisien untuk temu
kembali informasi dan data mining khususnya untuk data teks (Wang 2006).
Otomatisasi proses klasifikasi pada teks berkaitan dengan proses distribusi
berdasarkan kategori atau kelas dari seperangkat dokumen-dokumen yang didasari pada
karakteristik tertentu. Unsupervised classification atau clustering adalah metode yang
digunakan untuk melakukan proses penemuan dan otomatisasi pengelompokan dari
kelas-kelas tersembunyi dan belum teridentifikasi (Amine 2009).

The Reuters-21578 dataset
Koleksi dokumen Reuters-21578 terdapat pada berita online REUTERS tahun
1987. Dokumen-dokumen tersebut disusun dan dilakukan pengindeksan berdasarkan

6
beberapa kategori oleh beberapa personel di REUTERS antara lain : Sam Dobbins,
Mike Topliss, Steve Weinstein, Peggy Andersen, Monica Cellio, Phil Hayes, Laura
Knecht, Irene Nirenburg.
Menurut Hotho (2009), koleksi teks Reuters-215781 terdiri atas 21.578
dokumen. Koleksi ini sangat menarik untuk evaluasi, sebagai bagian dari kehadiran
klasifikasi. Koleksi berisi 135 topik. Agar lebih umum, topik merujuk kepada istilah
'kelas' di sekuel. Untuk memungkinkan evaluasi, topik dibatasi menjadi 12344 dokumen
yang telah diklasifikasikan secara manual oleh Reuters. Beberapa dari dokumen tersebut
tidak dapat diberikan oleh para ahli untuk salah satu kelas yang telah ditetapkan, oleh
karena itu kelas tersebut dikumpulkan dalam sebuah kelas tambahan atau „defnoclass‟.
Karakteristik dataset ini adalah menggunakan bahasa markup yakni
menggunakan tag SGML dan menghasilkan DTD dari bentukan SGML tersebut
sehingga batasan dari bagian penting sebuah dokumen tidak ambigu atau tidak rancu.
Selain itu dataset ini memiliki seperangkat kategori yang baku untuk setiap definisi dari
5 (lima) field pengendali kosakata. Karakteristik lainnya adalah dokumen-dokumen
diberikan nomor ID baru berdasarkan urutan kronologis dan dikumpulkan per 1000
dokumen dalam sebuah file yang diurutkan berdasarkan ID.

Text Preprocessing
Teks yang akan dilakukan proses text mining, pada umumnya memiliki beberapa
karakteristik di antaranya adalah memiliki dimensi yang tinggi, terdapat noise pada
data, dan terdapat struktur teks yang tidak baik. Cara yang digunakan dalam
mempelajari suatu data teks, adalah dengan terlebih dahulu menentukan fitur-fitur yang
mewakili setiap kata untuk setiap fitur yang ada pada dokumen.
Sebelum menentukan fitur-fitur yang mewakili, diperlukan tahap preprocessing
yang dilakukan secara umum dalam text mining pada dokumen, yaitu case folding,
tokenizing, filtering, stemming, tagging dan analyzing. Case folding adalah mengubah
semua huruf dalam dokumen menjadi huruf kecil. Hanya huruf „a‟ sampai dengan „z‟
yang diterima. Karakter selain huruf dihilangkan dan dianggap delimiter. Tahap
tokenizing / parsing adalah tahap pemotongan string input berdasarkan tiap kata yang
menyusunnya. Tahap filtering adalah tahap mengambil kata-kata penting dari hasil
token. Bisa menggunakan algoritme stoplist (membuang kata yang kurang penting) atau
wordlist (menyimpan kata penting). Stoplist / stopword adalah kata-kata yang tidak
deskriptif yang dapat dibuang dalam pendekatan bag-of-words. Contoh stopwords
adalah “yang”, “dan”, “di”, “dari” dan seterusnya. Tahap stemming adalah tahap
mencari root kata dari tiap kata hasil filtering. Pada tahap ini dilakukan proses
pengembalian berbagai bentukan kata ke dalam suatu representasi yang sama. Tahap ini
kebanyakan dipakai untuk teks berbahasa inggris dan lebih sulit diterapkan pada teks
berbahasa Indonesia. Hal ini dikarenakan bahasa Indonesia tidak memiliki rumus
bentuk baku yang permanen.

Document Index Graph
Document Index Graph (DIG) adalah sebuah graf berarah G=(V, E). Notasi V
adalah node yang tiap node mewakili kata unik di dalam sebuah dokumen. Edge
menggambarkan pasangan dari node. Setiap dokumen berisi beberapa kalimat dengan

7
kata yang mungkin berulang di antara dokumen tersebut. Jika sebuah frasa tampil lebih
dari sekali maka frekuensi dari kata individual pembentuk frasa akan bertambah
(Hammouda 2004).
Pencocokan frasa antar dokumen bertugas untuk mencari shared-paths pada graf
antar dokumen-dokumen tersebut. Hal ini dilakukan dengan membuat struktur graf dan
membangun graf untuk melakukan phrase matching. Representasi graf untuk data
sangat cocok mengingat setiap dokumen berisi sejumlah kalimat yang mungkin akan
saling overlap dalam dokumen lain. Jika sebuah frasa tampil di lebih dari satu dokumen,
maka frekuensi dari kata unik yang membangun frasa tersebut akan bertambah.
Pencocokan frasa antara dokumen sama artinya dengan menemukan shared paths dalam
graf di dokumen yang berbeda. Representasi dokumen menggunakan Document Index
Graph ditampilkan pada Gambar 2.

Gambar 2 Representasi dokumen dengan DIG (Hammouda 2004)

Metafile Penyusun Graf
Metafile penyusun graf dikenal dengan bahasa DOT. Bahasa DOT
menggambarkan graf-graf berarah secara hirarki. Bahasa DOT dieksekusi sebagai
sebuah program berbasis baris perintah (command line), memiliki layanan visualisasi
berbasis web atau dengan aplikasi atau interface berbasis grafik. Bahasa DOT memiliki
fitur merepresentasi algoritme untuk penempatan dan penggambaran hubungan node
dan edge; pemberian label dari setiap edge; penggambaran struktur data; representasi
cluster (Gansner 2006).

8

Precision, Recall dan Accuracy
Precision, recall dan accuracy digunakan pada pengukuran kinerja pada
sebagian besar kajian pengenalan pola (pattern recognition) dan temu kembali
informasi (information retrieval). Precision dan recall adalah dua perhitungan yang
banyak digunakan untuk mengukur kinerja dari sistem/metode yang digunakan.
Precision adalah tingkat ketepatan antara informasi yang diminta oleh pengguna dengan
jawaban yang diberikan oleh sistem. Recall adalah tingkat keberhasilan sistem dalam
menemukan kembali sebuah informasi. Accuracy didefinisikan sebagai tingkat
kedekatan antara nilai prediksi dengan nilai aktual. Ilustrasi pada Gambar 3 memberikan
gambaran perbedaan antara precision, recall dan accuracy.

Gambar 3 Perbedaan accuracy dan precision (Raharjo, 2011)
Pengukuran nilai precision, recall dan accuracy secara umum mengacu pada
rumus pada Gambar 4 :

Gambar 4 Rumus perhitungan precision, recall dan accuracy (Raharjo 2011)

3 METODE
Metode penelitian metafile penyusun struktur digraf menggunakan algoritme
Document Index Graph (DIG) terdiri atas beberapa tahapan yaitu tahap analisis masalah
dan studi literatur dari penelitian terkait, tahap praproses data, tahap implementasi
algoritme, tahap pembangkitan metafile, tahap representasi digraf dan tahap analisis
output hasil pengelompokan. Metode penelitian dapat dilihat pada Gambar 5.

Mulai

Analisa
Analisis Masalah
Studi Literatur
Literatur
Studi
Penelitian Terkait
Penelitian
terkait

Praproses data

Implementasi
Document Index Graph

Pembangkitan
Metafile

Tokenisasi

Penetapan nilai
jarak intercluster

Identifikasi
klusterisasi yang
dihasilkan

Stop-word removal

Penetapan nilai
jarak intracluster

Stemming
Stemming

Penetapan jumlah
dokumen

Konfigurasi
Konfigurasi
Verteks
dan Edge
Edge
Vertex dan

Representasi
Digraf
Struktur digraf
untuk dokumen
tunggal
Selesai

Analisis
hasil
Analisis hasil
klusterisasi
Clustering
Struktur digraf
untuk dokumen
gabungan

Gambar 5 Metode penelitian
Perlakuan pada penelitian ini adalah: jumlah dokumen yang digunakan untuk
dokumen latih dan dokumen uji, term frequency threshold sebagai batas frekuensi
kemunculan kata yang akan digunakan untuk pengelompokan dan output metafile yang
dihasilkan. Faktor dan level penelitian ini ditampilkan pada Tabel 1.
Tabel 1 Faktor dan level penelitian
Faktor
Level
Jumlah Dokumen
Pengujian algoritme dilakukan pada
20 dokumen uji dan 50-100
dokumen latih

10

Term Frequent Threshold
Output metafile

Pengukuran nilai precision, recall
dan accuracy dilakukan pengujian
terhadap 20, 25, 50 dan 100
dokumen latih
Batas kemunculan kata pada
dokumen minimal 20 kali
Menggunakan format bahasa DOT
untuk penyusunan struktur digraf untuk
dokumen tunggal dan dokumen
gabungan

Analisis Masalah dan Studi Pustaka
Pada tahap ini dilakukan analisis dan studi pustaka terhadap permasalahan yang
dihadapi. Permasalahan tersebut yaitu mengenai peningkatan volume data pada
dokumen web yang berkembang saat ini meskipun format dokumen yang ditemukan
telah terstruktur dengan baik. Fenomena tersebut dapat diatasi dengan melakukan teknik
text mining dengan melakukan proses pengelompokan terhadap dokumen-dokumen web
dengan merujuk pada pola-pola dan keterkaitan isi dalam dokumen-dokumen tersebut.
Pengelolaan informasi dengan text mining memberikan gambaran dari topik dalam satu
set besar dokumen tanpa harus membaca isi dokumen satu per satu. Hal ini dapat
dilakukan dengan pengelompokan.
Pencarian dan pembelajaran mengenai literatur yang berkaitan dengan
penelitian, yang dilakukan yaitu menerapkan algoritme pengelompokan yang mudah
difahami baik secara input, proses maupun output. Salah satu algoritme yang telah
dikembangkan dari penelitian sebelumnya adalah algoritme Document Index Graph
(DIG). Literatur tersebut dapat berupa buku, jurnal, dan media yang dapat dibuktikan
kebenarannya.

Tahap Praproses Data
Tahap praproses data mengubah bentuk asli data tekstual ke dalam struktur
dokumen yang siap untuk proses data mining, dan telah dapat mengidentifikasi fitur
teks yang paling signifikan yang dapat menentukan perbedaan di antara kategorikategori tertentu (Srividhya 2010). Dengan kata lain, tahap ini adalah proses
penggabungan sebuah dokumen baru ke dalam sistem temu kembali informasi dan
menentukan fitur-fitur yang mewakili setiap kata untuk setiap fitur yang ada pada
dokumen.
Data penelitian yang digunakan untuk pengujian pengelompokan menggunakan
data REUTERS-21578. Data tersebut merupakan koleksi dari dokumen-dokumen yang
pernah ditulis di REUTERS newswire (format SGML) pada tahun 1987. Dokumendokumen tersebut memiliki karakteristik data kategorikal dan disusun kembali dan
dilakukan pengindeksan dalam beberapa kategori oleh para staf di Reuters (UCI KDDI
Archive, 1999). Data berisi 21578 dokumen berita yang terbagi dalam 9603 data
training, 3299 dokumen uji, dan 8676 dokumen yang tidak digunakan. Dokumen terdiri

11

atas 5 atribut yakni TOPICS, LEWISSPLIT, CGISPLIT, OLDID, NEWID. Pada kasus
kategorisasi teks, data REUTERS-21578 terdiri atas 5 kategori berdasarkan isi dokumen
yakni Exchange, Orgs, People, Places, Topics.
Tahapan praproses data dalam konteks text mining adalah sebagai berikut
(Srividhya 2010) :
 Stop-word removal. Menghilangkan kata-kata yang sering digunakan tapi tidak
memuat informasi yang signifikan (the, of, and, to)
 Stemming. Proses ini akan mencari kata dasar dari sebuah kata (user, used, users ->
USE)
 Document index. Teknik pencarian keyword yang tepat dari setiap dokumen
(pemodelan graf). Salah satu metode document index adalah term weighting. Term
weighting adalah pembobotan kata pada setiap kemunculannya di setiap dokumen
dan menunjukkan pentingnya kata tersebut (menghitung bobot node di setiap edge).
 Dimentional reduction. Menentukan jumlah dokumen yang di dalamnya terdapat
kata yang sering muncul dan menghilangkan kata yang jarang muncul. Jika kata
yang muncul tidak melebihi n dokumen yang ditetapkan sebagai nilai threshold
maka kata tersebut dapat dihilangkan.

Implementasi Algoritme Document Index Graph (DIG)
DIG merupakan algoritme pembangun digraf. Digraf yang dibangun merupakan
graf berarah. Arah digraf menunjukkan struktur kalimat. Digraf yang dibangun
merupakan komponen dari :
1. Node. Node berisi kata unik dari setiap kalimat dalam dokumen.
2. Edge. Merupakan penghubung antarnode. Pada edge terdapat informasi berupa
nomor edge, posisi kata tersebut dalam kalimat dan dalam dokumen.
3. Path. Node pada digraf berisi informasi tentang kata unik dalam sebuah dokumen.
Jalur atau path yang dibentuk oleh node dan edge merupakan representasi dari
sebuah kalimat tertentu.
Algoritme Document Index Graph sebagai berikut (Hammouda 2004) :
1. Proses satu per satu kalimat pada setiap dokumen.
2. Setiap kata yang belum ada di dalam kumpulan digraf, maka akan
ditambahkan sebagai node.

3. Jika kata sudah ada dalam kumpulan digraf, maka buat edge baru.
4. Untuk setiap kata yang bertetangga,hubungkan dengan edge.
5. Untuk mendapatkan matching phrase, buat daftar data dokumen-dokumen
6.
7.
8.

yang mempunyai edge yang serupa ke dalam sebuah tabel.
Jika matching phrase berikutnya mempunyai edge yang merupakan
kelanjutan dari edge sebelumnya, maka gabungkan pada matching
phrase sebelumnya.
Jika kata yang muncul tidak melebihi n dokumen yang ditetapkan
sebagai nilai threshold maka kata tersebut dapat dihilangkan
Ulangi langkah 6 hingga semua dokumen selesai diproses.

12

Ilustrasi pembentukan digraf menggunakan algoritme DIG pada dokumen di
bawah ini dapat dijelaskan dengan contoh isi dokumen dan gambar berikut :
 Dokumen a : river rafting, mild river rafting, river rafting trips
 Dokumen b : wild river adventures, river rafting vacation plan
 Dokumen c : fishing trips, fishing vacation plan, booking fishing trips, river rafting
Struktur digraf yang terbentuk dari ketiga dokumen di atas ditampilkan pada
Gambar 6.

Gambar 6 Ilustrasi Document Index Graph (Hammouda 2004)
Proses dimentional reduction dilakukan dengan melakukan penetapan nilai
document frequency threshold (relevant and irrelevant threshold) yang ditambahkan
pada implementasi algoritme DIG tersebut sehingga mempengaruhi hasil
pengelompokan yang terbentuk nantinya.
Cluster yang terbentuk dari implementasi algoritme DIG akan dicocokkan dengan
hasil penelitian Lewis (1997). Pengujian pengelompokan dokumen dilakukan pada
jumlah dokumen tertentu. Pengujian dilakukan dengan mencari kata-kata yang memiliki
frekuensi kemunculan dokumen lebih dari 20 kali. Pengujian menghasilkan komposisi
kategori yang muncul untuk selanjutnya ditentukan kelompok atau kategorinya (Lewis
1997). Komposisi kategorisasi teks ditampilkan pada Gambar 7.

Gambar 7 Komposisi kategorisasi teks berdasarkan Lewis (1997)

13

Pembangkitan metafile penyusun struktur digraf
Metafile penyusun struktur digraf adalah sebuah bentukan output dari hasil
implementasi algoritme DIG dengan penerapan dimentional reduction dan
menghasilkan bentukan cluster dari dokumen yang diproses. Metafile berisi informasi
tentang struktur node dan edge yang saling terhubung dalam sebuah path. Penentuan
struktur digraf dibedakan dengan pewarnaan sesuai dengan jalur path yang terbentuk
dari hasil implementasi algoritme tersebut. Adapun beberapa informasi yang terkandung
di dalam metafile tersebut sebagai berikut :
digraph {
graph[fontname,fontsize,style,nodesep=3]
node [style=filled fillcolor="gray80"]
"vertex =>Term Frequency" ... ;
}

Representasi digraf menggunakan metafile penyusun digraf
Representasi digraf divisualisasikan dengan menggunakan aplikasi Graphviz
menggunakan lingkungan pemrograman PHP sehingga input untuk representasi digraf
tersebut yakni metafile menggunakan bahasa pemrograman PHP. Output penelitian
adalah bentukan digraf yang berisi hasil pengelompokan dokumen dengan batasan nilai
document frequency threshold dan jumlah dokumen yang akan diuji.

Analisis hasil pengelompokan berdasarkan pengujian
Penelitian ini melakukan pengujian untuk pengelompokan hasil implementasi
algoritme DIG dengan menentukan nilai-nilai batasan sebagai berikut :
1. Batasan jumlah dokumen. Jumlah dokumen yang diuji mencakup 10 dan 20
dokumen newswire REUTERS-21578 berkategori LEWISSPLIT yakni
PUBLISHED-TEST.
2. Batasan nilai document frequency threshold. Membatasi kata-kata yang memiliki
nilai Term Frequency (TF) yang tinggi akan tetapi tidak relevan terhadap isi
dokumen.
3. Batasan nilai relevant words. Membatasi kata-kata yang memiliki nilai TF relatif
kecil sehingga proses pengelompokan kata menjadi lebih sederhana.
4. Pembangkitan struktur digraf. Memberikan pilihan untuk pembangkitan struktur
digraf secara keseluruhan atau masing-masing dokumen. Penentuan tersebut akan
mempengaruhi kompleksnya penggambaran digraf pada aplikasi.
Berdasarkan pengujian yang dilakukan dilakukan analisis hasil pengelompokan
dengan menghitung nilai persentase precision, recall dan accuracy untuk memberikan
penjelasan seberapa efektif kinerja/kualitas dari metode DIG yang digunakan dengan
menggunakan data newswire REUTERS.

4 HASIL DAN PEMBAHASAN
Penelitian ini dibuat menggunakan bahasa pemrograman PHP untuk tahapan
praproses data, implementasi algoritme DIG dan pembangkitan metafile penyusun
struktur digraf. Representasi digraf menggunakan software Graphviz 2.30. Tampilan
halaman praproses data dapat dilihat Gambar 8.

Gambar 8 Tampilan praproses data
Berdasarkan Gambar 8 untuk tahapan praproses data selain dilakukan proses
tokenisasi, penghapusan kata hubung yang terdapat pada daftar stop-word dan
pengambilan kata dasar (stemming), dilakukan juga proses dimentional reduction.
Proses dimentional reduction akan melakukan pembacaan isi dokumen dan akan
melakukan pembatasan oleh dua nilai yang menjadi threshold untuk mendapatkan hasil
pengelompokan yang terbaik.
Nilai pertama adalah banyaknya kata yang memiliki nilai Term Frequency (TF)
tinggi akan tetapi tidak mewakili topik dalam dokumen (document frequency threshold).
Hal ini ditemukan di sebagian besar dokumen REUTERS-21578. Dalam pengujian
ditemukan setidaknya 3 kata yang selalu memiliki nilai TF tinggi akan tetapi tidak
relevan terhadap topik dalam dokumen. Kata tersebut adalah : pct, mln dan dlrs. Oleh
karena itu untuk mendapatkan hasil pengelompokan dan representasi digraf yang lebih
baik, maka beberapa kata tersebut sebaiknya dihilangkan dalam proses pengelompokan
sehingga perlu ditentukan nilai document frequency threshold yang ingin dihilangkan
yakni 2-3 kata berdasarkan pengujian praproses data.
Nilai kedua adalah banyaknya kata yang memiliki nilai TF tinggi dan mewakili
topik dalam dokumen (relevant words), dan jumlah kemunculannya minimal lebih dari
(jumlah dokumen – n) kali atau maksimal lebih dari jumlah dokumen yang diproses.
Nilai n didefinisikan minimal 0 sampai dengan jumlah dokumen yang diproses.

16

Praproses data pada 20 dokumen uji dilakukan dengan membandingkan hasil
pengelompokan yang didapat dengan dan tanpa penyertaan nilai document frequency
threshold dan penetapan nilai bobot Term Frequency (TF) agar hasil pengelompokan
hanya akan menampilkan kemunculan kata lebih dari 20 kali. Hasil pengelompokan 20
dokumen dengan variasi nilai document frequency threshold dan nilai bobot Term
Frequency = 0 ditampilkan pada Tabel 2 dan Tabel 3.
Tabel 2 Hasil pengelompokan 20 dokumen dengan document frequency threshold=0
Kata

Kemunculan

pct
mln
year
billion
stock
bankamerica
quarter
company
sales

50
40
30
28
26
26
25
25
23

Tabel 3 Hasil pengelompokan 20 dokumen dengan document frequency threshold=2
Kata

Kemunculan

year
billion
stock
bankamerica
quarter
company
sales

30
28
26
26
25
25
23

Berdasarkan hasil pengelompokan di atas dapat dijelaskan bahwa penetapan nilai
document frequency threshold sebesar 0 (nol) akan menampilkan kata-kata yang
frekuensi kemunculan dokumennya lebih dari 20 kali tanpa melakukan pembatasan
kata-kata yang tidak relevan. Kata yang tidak relevan yang dimaksud adalah kata pct
dan mln. Dua kata tersebut selalu ditemukan di setiap dokumen dan muncul lebih dari
satu kali. Hal tersebut ditandai dengan jumlah kemunculan terbesar di antara kata-kata
lain di dokumen tersebut. Berdasarkan hal itu maka mekanisme algoritme
dikembangkan untuk membatasi kemunculan kata yang sering muncul tapi tidak relevan
dengan menghilangkan kata yang bobot kemunculannya terbesar sebanyak nilai input
document frequency threshold. Oleh karena itu ketika nilai document frequency
threshold diubah menjadi 2, maka dapat diartikan bahwa algoritme akan menghilangkan
dua kata dengan nilai frekuensi kemunculannya paling besar yakni kata pct dan mln.
Penentuan nilai bobot Term Frequency (TF) digunakan untuk melakukan
pembatasan jumlah kata yang akan ditampilkan sebagai hasil pengelompokan
berdasarkan minimal kemunculan kata di sejumlah dokumen yang diuji yakni lebih dari
20 kali (Lewis 1997). Pada pemrosesan 20 dokumen di atas, maka penetapan nilai TF

17

adalah sebesar 0. Nilai tersebut dipakai agar menghasilkan minimal kemunculan yang
didapat sejumlah (jumlah dokumen – n) kali.
Praproses data pada 25 dokumen latih dilakukan dengan membandingkan hasil
pengelompokan yang didapat dengan dan tanpa penyertaan nilai document frequency
threshold dan penetapan nilai bobot Term Frequency (TF) agar hasil pengelompokan
hanya akan menampilkan kemunculan kata lebih dari 20 kali. Hasil pengelompokan 25
dokumen dengan variasi nilai document frequency threshold dan nilai bobot Term
Frequency = 0 ditampilkan pada Tabel 4 dan Tabel 5.
Tabel 4 Hasil pengelompokan 25 dokumen dengan document frequency threshold=0
Kata

Kemunculan

pct
mln
year
billion
company
quarter
bankamerica
sales
debt

54
47
35
32
29
28
26
23
22

Tabel 5 Hasil pengelompokan 25 dokumen dengan document frequency threshold=3
Kata

Kemunculan

billion
company
quarter
bankamerica
sales
debt

32
29
28
26
23
22

Berdasarkan hasil pengelompokan di atas dapat dijelaskan bahwa penetapan nilai
document frequency threshold sebesar 3 akan menampilkan kata-kata yang frekuensi
kemunculan dokumennya lebih dari 20 kali dan melakukan pembatasan kata-kata yang
tidak relevan sebanyak 3 kata yakni pct, mln dan year. Tiga kata tersebut selalu
ditemukan di setiap dokumen dan muncul lebih dari satu kali. Hal tersebut ditandai
dengan jumlah kemunculan terbesar di antara kata-kata lain di dokumen tersebut.
Penentuan nilai bobot Term Frequency (TF) pada percobaan dengan 25 dokumen
didasarkan pada rumus (jumlah dokumen – n) agar dapat menampilkan hasil
pengelompokan dokumen dengan kemunculan lebih dari 20 kali. Oleh karena itu nilai
n=5 pada input nilai TF digunakan untuk melakukan pembatasan jumlah kata yang akan
ditampilkan sebagai hasil pengelompokan berdasarkan minimal kemunculan kata di
sejumlah dokumen yang diuji yakni tetap lebih dari 20 kali (Lewis 1997).
Implementasi algoritme pada 50 dokumen latih menggunakan nilai document
frequency threshold=3 dan nilai bobot TF=30 menghasilkan sebanyak 23 kata dengan
kemunculan lebih dari 20 kali. Hasil pengelompokan dapat dilihat pada Lampiran 1.

18

Implementasi pada 100 dokumen latih menggunakan nilai document frequency
threshold=3 dan nilai bobot TF=80 menghasilkan sebanyak 95 kata dengan kemunculan
lebih dari 20 kali. Hasil percobaan dapat dilihat pada Lampiran 2.
Hasil implementasi untuk 20, 25, 50 dan 100 dokumen dengan perubahan nilai
document frequency threshold dan nilai bobot Term Frequency (TF) sangat penting
dilakukan untuk mendapatkan hasil pengelompokan yang lebih baik dan mendapatkan
representasi digraf yang lebih baik pula.
Hasil implementasi algoritme dilanjutkan dengan pembangkitan metafile yang
merupakan bahasa terstruktur penyusun struktur digraf yang akan mendefinisikan
komponen digraf seperti node, edge dan path. Format bahasa yang digunakan adalah
DOT language dengan unsur node yakni kata-kata yang terpilih dari hasil implementasi
algoritme DIG pada praproses data; unsur edge adalah keterhubungan kata-kata dalam
dokumen; dan unsur path adalah pengelompokan kata berdasarkan warna pada graf.
Berikut adalah format metafile penyusun digraf untuk representasi dokumen tunggal
dari hasil pengelompokan 20 dokumen uji dengan nilai document frequency
threshold=2 dan nilai TF=0.
digraph {
graph [fontname = "Arial", fontsize = 36, style = "bold", nodesep=3]
node [style=filled fillcolor="gray80"]
"year=>30" "billion=>28" "stock=>26" "bankamerica=>26" "quarter=>25"
“bankamerica=> 26" -> "billion=>28" [color=red,penwidth=3.0];
"bankamerica=> 26" -> "stock=>26" [color=green,penwidth=3.0];
"bankamerica=> 26" -> "stock=>26" [color=orange,penwidth=3.0];
"stock=>26" -> "bankamerica=>26" -> "stock=>26"
[color=darkslateblue,penwidth=3.0];
"bankamerica=>26" -> "billion=>28" -> "year=>30"
[color=darkseagreen,penwidth=3.0];
}

Metafile di atas sebagai bentukan output antara dari proses pengelompokan.
Output hasil pengelompokan (metafile) akan menjadi input awal penyusunan struktur
digraf untuk representasi digraf pada interface aplikasi. Tampilan digraf dari input
metafile dapat dilihat pada Gambar 9.

Gambar 9 Representasi digraf dari input metafile penyusun struktur digraf

19

Representasi digraf yang disajikan pada Gambar 9 dapat dilihat hasil
pengelompokan dokumen dengan melihat nilai Term Frequency (TF) dari kata-kata
yang sering muncul pada dokumen uji. Dari implementasi 20 dokumen REUTER-21578
dengan nilai document frequency threshold = 2 dan nilai bobot TF relevant words = 0
atau sejumlah dokumen yang diproses, maka didapat 4 kata yang sering ditemukan pada
pembandingan dokumen pertama dan kedua yakni : year, billion, bankamerica dan
stock. Di sisi lain, kata quarter ditemukan pada pembandingan dokumen lainnya. Warna
pada digraf mewakili kelompok yang terbentuk dari implementasi algoritme DIG. Jalur
asiklik pada digraf menunjukkan keterkaitan kata yang sering muncul di beberapa
dokumen, dan jalur siklik menunjukkan ada beberapa kata yang sama yang muncul pada
sebuah dokumen.
Langkah selanjutnya adalah menganalisis tingkat akurasi dari pencarian dan temu
kembali informasi dengan menghitung nilai precision, recall dan accuracy hasil
pengelompokan pada 20 dokumen uji. Hasil perhitungan ditampilkan pada Tabel 6.
Tabel 6 Perhitungan precision, recall dan accuracy pada 20 dokumen
Cluster
result

Search
result

TP

FP

FN

TN

Precision

Recall

Accuracy

Year

30

39

20

9

10

196

69%

67%

92%

billion

28

28

20

0

8

205

100%

71%

97%

Stock

26

31

20

5

6

200

80%

77%

95%

bankamerica

26

28

20

2

6

203

91%

77%

97%

quarter

25

29

20

4

5

201

83%

80%

96%

company

25

27

20

2

5

203

91%

80%

97%

Sales

23

23

20

0

3

205

100%

87%

99%

sumofcluster

183

meanofprecision

87,73%

sumofsearch

205

meanofrecall

76,99%

numofdocs

20

meanofaccuracy

96,00%

Node

Dari tabel di atas dapat dikatakan bahwa implementasi algoritme DIG pada
pengelompokan sebanyak 20 dokumen menghasilkan nilai precision sebesar 87,73%,
nilai recall sebesar 76,99% dan memiliki tingkat akurasi yang sangat baik yakni 96%.
Hasil perhitungan untuk 25, 50 dan 100 dokumen lainnnya menunjukkan
kecenderungan penurunan untuk nilai precision dan recall akan tetapi kecenderungan
peningkatan untuk nilai accuracy (dapat dilihat pada Lampiran 3, Lampiran 4,
Lampiran 5). Gambar 10 menunjukkan grafik perbandingan ukuran precision, recall
dan accuracy terhadap 20, 25, 50 dan 100 dokumen.

20

Gambar 10 Grafik nilai precision, recall dan accuracy pada dokumen uji
Gambar 10 menunjukkan metode DIG memiliki nilai precision, recall dan
accuracy lebih dari 70% sehingga dapat dikatakan metode DIG memberikan hasil yang
baik dalam pengelompokan dokumen REUTERS.

5

SIMPULAN DAN SARAN
Simpulan

Implementasi algoritme Document Index Graph (DIG) pada dokumen REUTERS
telah dapat menghasilkan pengelompokan dengan nilai rataan precision sebesar 81%,
rataan recall sebesar 73%, dan rataan accuracy sebesar 90%. Selain itu, penelitian ini
telah menunjukkan bahwa pembangkitan metafile telah dapat merepresentasikan hasil
pengelompokan berbasis digraf.
Saran
Penelitian yang dilakukan hanya berfokus pada implementasi algoritme DIG dan
pemanfaatan output antara hasil implementasi algoritme tersebut yang berupa metafile
sederhana sebagai input untuk representasi digraf secara visual. Penelitian selanjutnya
diharapkan dapat dilakukan analisis pengelompokan yang terbentuk baik secara internal
atau eksternal. Hal ini diharapkan mempunyai dampak terhadap akurasi yang lebih
tinggi.

DAFTAR PUSTAKA
Salton, G. et al. 1975. A Vector Space Model for Automatic Indexing. Journal of
Information Retrieval dan Language Processing.
Yang, Y. Jan O P. 1997. A Comparative Study on Feature Selection in Text
Categorization.
O. Zamir and O. Etzioni. 1998. Web document clustering: A feasibility demonstration.
In Proceedings of the 21st Annual International ACM SIGIR Conference, pages
46–54, Melbourne, Australia.
Wang,Y. J Hodges. 2002. Incorporating Semantic and Syntactic. Department of
Computer Science & Engineering, Mississippi State University.
Hammouda K M, Mohamed S. Kamel. 2004. Efficient phrase-based document indexing
for web document clustering.
P.-J. Cheng, L.-F.Chien. 1004. Effective image annotation for searches using multilevel
semantics. International Journal Digital Library.4: 258–271.
Jing, L. et al. 2006. Ontology-based Distance Measure for Text Clustering.
Torres, G. J. et al. 2009. A Similarity Measure for Clustering and its Applications.
International Journal of Electrical and Electronics Engineering 3:3.
Ernawati S dan Arie A, Erwin B S. 2009. Klusterisasi Dokumen