Pengelompokan Dokumen Berita Berbahasa Indonesia Menggunakan Reduksi Fitur Information Gain dan Singular Value Decomposition dalam Fuzzy C- MeansClustering

  Yuita, Tesa, Anggi pISSN: 2252 – 486X

  

  Kesadaran dan kepentingan untuk mengikuti perkembangan informasi dan berita terkini merupakan naluri manusia sebagai makhluk sosial.Sejak jaman purbakala, manusia telah saling bertukar informasi dan berita secara lisan dari mulut ke mulut. Berita seperti perang, kematian, kelahiran, atau kejadian penting lain yang terjadi pada suatu komunitas disebarkan secara langsung dari satu individu ke individu lainnya. Kehadiran tulisan dan ilmu literasi mengubah carapenyebaran informasi ini ke dalam bentuk yang lebih formal, yaitu media cetak. Salah satu media cetak tertua yang tercatat dalam sejarah muncul sejak sekitar tahun 202 SM di Cina [1]. Media cetak kuno lain berasal dari Eropa sekitar tahun 59 M. Namun, penyebaran media cetak ini hanya terbatas pada kalangan tertentu saja sehingga belum memenuhi syarat untuk dapat disebut sebagai koran. Media cetak pertama yang baru dapat dikategorikan sebagai koran merupakan temuan bangsa Eropa [2]. Pada perkembangannya ke depan nantinya, membaca koran menjadi salah satu rutinitas sehari-hari bagi sebagian besar masyarakat.

  ENDAHULUAN

  I. P

  Kata Kunci — text mining, berita, koran, digital, singular value decomposition, Fuzzy C-Meansclustering.

  IG dan SVD dengan FUZZY C-MEANSadalah sesuai dengan kebutuhan.

   Abstrak — Online newspapers and news are the current digital information which the information update process is very easy and flexible. The ease of information update process allows news writers to upload new information at any time and anywhere. This cause the amount of news documents datas are very much and irregularly, need to do news groupings according to the content. Grouping news according to the content can help readers to read news with a particular topic according to their interests. The process of news information clustering is implemented in two steps, preprocessing and clustering documents. Preprocessing is done by implementing a combination method of Document Frequency (DF) and Information Gain (IG) Thresholding in Singular Value Decomposition (SVD). The SVD algorithm is chosen because it has ability to decompose the term-matrix of the document, thus obtaining a matrix that still holds important information with smaller dimension sizes. The clustering step is performed with the Fuzzy C-Means(FUZZY C-MEANS) clustering algorithm. The accuration results of the news documents clustering indicate that the clustering performed a fairly accurate categorization result with an average accuracy rate of 74.5% (IG threshold 0.5, k = 5). It shows that grouping Indonesian news using IG thresholding and SVD with FUZZY C- MEANSis achieved. Intisari — Koran dan berita online merupakan media informasi digital saat ini yang proses pembaruan informasinya sangat mudah dan fleksibel. Kemudahan ini memungkinkan penulis berita untuk mengunggah informasi baru di waktu kapanpun dan dimanapun. Hal ini menyebabkan data dokumen berita sangat banyak dan tidak teratur sehingga perlu dilakukan pengelompokan berita sesuai dengan kontennya. Pengelompokanberita sesuai content dapat membantu pembaca untuk membaca berita dengan topiktertentu sesuai dengan minatnya. Proses pengelompokan informasi berita diimplementasikan denganbeberapa tahap, yaitu preprocessing dan pengelompokan dokumen. Preprocessing dilakukan dengan mengimplementasikan metode kombinasi reduksi fitur Document Frequency (DF) dan Information Gain (IG) Thresholding dalamSingular Value Decomposition (SVD). Algoritme SVD dipilih karena memiliki kemampuan untuk melakukan dekomposisi pada matriks dokumen-term, sehingga diperoleh matriks yang masih menyimpan informasi penting dengan ukuran dimensi yang lebih kecil.Pada tahap pengelompokan dokumen berita dilakukandengan algoritme Fuzzy C-Means. Hasil uji coba akurasipengelompokan dokumen berita menunjukkan bahwa pengelompokan yang dilakukan memberikan hasil pengkategorian yang cukup akurat dengan tingkat akurasi rata-rata 74,5 % (IG threshold 0.5, k = 5). Hal tersebut menunjukkan bahwa pengelompokan dokumen menggunakan

  

  

  

  

Pengelompokan Dokumen Berita Berbahasa Indonesia

Menggunakan Reduksi Fitur Information Gain dan

Singular Value Decomposition dalam Fuzzy C-

MeansClustering

  2 Email

  Surabaya, Indonesia

  2 Malang, Indonesia 1,3

  , Unviersitas Airlangga

  3 Fakultas Ilmu Komputer, Universitas Brawijaya 1,3

  2 , Anggi Gustiningsih Hapsani

  1 , Tesa Eranti Putri

  Yuita Arum Sari

  Namun, seiring perubahan jaman, dimana teknologi informasi tengah berkembang pesat, konsep di atas perlahan mulai sedikit bergeser. Munculnya internet dan gadget yang memungkinkan untuk mengakses internet dimanapun berada melahirkan generasi baru yang beranggapan bahwa internet adalah sumber utama segala informasi daripada media lain [3]. Selain itu, timbul aspek baru dalam pemenuhan kebutuhan informasi. Manusia ingin mendapatkan informasi terkini yang akurat dan dapat segera diakses darimanapun. Hal ini memunculkan ide untuk menampilkan berita dalam format digital yang diunggah ke internet atau biasa disebut berita online. Adanya berita dalam format digital ini memudahkan bagi mereka yang sibuk dan tidak sempat membaca koran cetak atau menonton TV untuk mengikuti perkembangan informasi terbaru yang dapat dipercaya dengan cepat. Selain itu, tentunya berita digital yang bisa diakses online inilah yang umumnya pISSN: 2252 – 486X Yuita : Pengelompokkan Dokumen Berita Berbahasa…. lebih menarik bagi generasi yang hidup di era teknologi informasi.

  Perusahaan media cetak kini selain terus memproduksi koran cetak mereka, juga mulai mengembangkan koran dalam bentuk digital dan situs berita online. Koran digital merupakan versi digital dari koran yang diterbitkan setiap hari dan diunggah ke situs. Sementara itu, berita online berisi informasi dan berita terbaru yang dapat di-update oleh penulis berita kapan saja [4][5]. Karena fleksibilitas itulah, tak jarang data dokumen berita yang masuk menjadi banyak dan tak teratur. Ketidak teraturan ini melahirkan konsep bahwa berita-berita yang masuk perlu disortir dan dikategorikan sesuai kontennya. Pengkategorian ini akan membantu pembaca berita digital untuk menemukan berita yang menarik minatnya daripada harus menelusuri daftar panjang berita yang muncul [6].

  Karena ukuran matriks ini yang relatif besar, sistem dirancang untuk melakukan dua kali proses reduksi agar jumlah term yang banyak ini dapat dikurangi namun masih tetap menyimpan informasi penting. Term-term yang dianggap terlalu sering muncul atau sebaliknya jarang muncul akan dihapus sehingga mereduksi ukuran dimensi matriks. Proses reduksi ini dilakukan dengan dua metode, yaitu: TF-DF

  , tagging, dan analysing [12]. Tahap case folding dilakukan dengan mengubah semua huruf di dalam dokumen menjadi huruf kecil (lowercase). Karakter selain huruf 'a' sampai 'b' akan dihilangkan dari dokumen dan dianggap sebagai delimiter [13]. Stopword merupakan kumpulan kata yang sering muncul di suatu dokumen, namun memiliki arti tidak deskriptif dan tidak memiliki keterkaitan dengan tema tertentu [14].

  filtering/stopword removal (penghilangan stopword), stemming

  Tahap preprocessing adalah tahap awal yang dilakukan untuk mempersiapkan suatu dokumen sebelum diproses pada tahap selanjutnya. Tujuan dari proses ini membuat data dokumen siap diproses dengan menghilangkannoise atau data yang tidak penting sehingga diharapkan dapat meningkatkan kemungkinan keberhasilan pada tahap pengelompokan nanti. Tahap preprocessing untuk pengelompokan dokumen berita terbagi menjadi beberapa tahap yaitu case folding, tokenizing,

   Preprocessing

  A.

  SVD. Penggunaan algoritme SVD ini ditujukan untuk mendapatkan matriks V yang digunakan dalam proses pengelompokan. Barulah setelah proses SVD ini selesai, pengelompokan dapat dilakukan dengan menggunakan algoritme Fuzzy C-Means. Sebenarnya, sebagai algoritme klastering, jumlah klaster yang dihasilkan oleh Fuzzy C-Means ditentukan dari masukan pengguna atau dari aturan pencarian jumlah klastering. Namun, untuk membuktikan keefektifan penggunaan kombinasi algoritme, pada penelitian ini, jumlah klaster disesuaikan dengan jumlah kategori asal mula data dokumen berita, yaitu tiga klaster.

  dan IG thresholding. Hasil reduksi dimensi ini akan diproses pada modul selanjutnya. Pada modul dekomposisi dan pengelompokan, matriks TDM diproses untuk didekomposisi dengan menggunakan algoritme

  thresholding

  Andriani. Dari preprocessing ini, term-term yang didapatkan akan disusun ke dalam sebuah matriks term-document (TDM) yang berisi frekuensi kemunculan term di setiap dokumen. Pembobotan kata dengan menggunakan konsep TF-IDF dilakukan setelahnya.

  Terkait dengan permasalahan tersebut, diperlukan adanya solusi berupa sebuah sistem perangkat lunak cerdas yang mempunyai potensi untuk mengatasinya. Salah satunya adalah dengan mengekstrasi konten berita dan menjadikannya sebagai dasar pengkategorian berita. Preprocessing konten berita dilakukan dengan menggunakan kombinasi reduksi fitur

  tokenizing, case folding, filtering, dan stemming Nazief-

  teks yang akan diproses. Preprocessing tersebut terdiri atas

  preprocessin g standar yang harus dilalui oleh setiap dokumen

  Secara keseluruhan metode penelitian dapat dilihat pada Gambar 1. Terdapat dua modul utama yang ada di dalam aplikasi ini. Pada modul preprocessing dan reduksi dimensi data, terdapat enam buah tahap yang harus dilalui oleh dokumen berita. Modul ini diawali dengan melakukan

  Data yang digunakan diambil dari dengan mengambil 90 data berita dan kemudian menyimpan data tersebut ke dalam file plain text. Data diambil dari 3 kategori yaitu entertaint, olahraga, dan teknologi. Masing- masing kategori berisi 30 dokumen verita. Data diambil secara manual, tidak menggunakan teknik crawling. Bahasa yang digunakan dalam dokumen berita sudah bahasa baku, sehingga tidak ada proses memperbaiki struktur kata atau kalimat terlebih dahulu.

  Pada paper ini terbagi menjadi 4 bagian yaitu yang pertama adalah bagian pendahuluan, kemudian bagian dataset pada subbab II, dan subbab III adalah hasil dan analisis, serta pada subbab terakhir IV adalah kesimpulan dan saran.

  Algoritme kombinasi DF dan IG ini dipilih dengan asumsi dokumen berita yang diinputkan akan menghasilkan matriks dokumen-term yang ukurannya cukup besar. Oleh karena itu, diperlukan preprocessing dan filtering term penting dengan menggunakan kedua algoritme tersebut. Algoritme SVD dipilih karena memiliki kemampuan untuk melakukan dekomposisi pada matriks dokumen-term, sehingga diperoleh matriks yang masih menyimpan informasi penting namun ukuran dimensinya lebih kecil [11]. Sedangkan, Fuzzy C-Means dipilih untuk melakukan pengkategorian berita, dengan asumsi setiap dokumen berita memiliki sifat kekaburan dalam tema kontennya.

  dalam Singular Value Decomposition (SVD) [8]. DF telah divalidasi dapat digunakan untuk seleksi fitur dalam teks yangmana fitur-fitur yang digunakan bisa berupa kata, frasa, n-gram atau atribut-atribut turunannya [9]. Seleksi fitur berperan penting dalam reduksi dimensi terutama pada dokumen berita yang memiliki banyak fitur yang terekstrasi. SVD dan IG merupakan kombinasi yang dapat digunakan untuk mengurangi dimensi tanpa mengurangi makna dari dokumen yang dimaksudkan [8]. Hasil dari dekomposisi dan seleksi fitur dikelompokkan, sehingga diperoleh fitur-fitur yang sesuai dengan harapan. Pengelompokan dokumen berita dilakukan dengan algoritme Fuzzy C-Means [10].

  Document Frequency (DF) [7] dan Information Gain (IG) Thresholding

II. DATASET DAN METODOLOGI PENELITIAN

  Yuita, Tesa, Anggi pISSN: 2252 – 486X

  Setelah proses stopword removal selanjutnya adalah proses

  DF thresholding adalah salah satu teknik reduksi kata yang sederhana. DF thresholding dilakukan dengan menghitung frekuensi dokumen dari setiap kata dalam corpus dan menghapus kata-kata yang memiliki frekuensi kurang dari

  D.

  (3) dimana W ^i,j adalah bobot kata i pada dokumen j , f ^i,j adalah frekuensi ternormalisasi, tf ^i,j adalah frekuensi kata i pada dokumen j, max tf ^i,j adalah frekuensi maksimum kata i pada dokumen j, D adalah banyaknya dokumen yang diinputkan/ banyaknya dokumen dalam corpus, dan df i adalah banyaknya dokumen yang mengandung kata i.

  i dan dokumen j dapat ditulis sebagai berikut :

  (1) dimana f i,j adalah frekuensi ternormalisasi, tf i,j adalah frekuensi kata i pada dokumen j, max tf i,j adalah frekuensi maksimum kata i pada dokumen j. Sementara TF-IDF pada kata

  Pembobotan kata-dokumen dalam penelitian ini menggunakan Term Frequency Document Inverse Frequency (TF-IDF).Terdapat tiga cara untuk menghitung nilai term frequency (TF), yaitu dengan menghitung frekuensi sebagai bobot, menghitung peluang kemunculan sebagai bobot (TF tanpa ternormalisasi), dan menghitung logaritma dari banyaknya kemunculan term (TF ternormalisasi). Dari ketiga fungsi tersebut, TF dengan normalisasi menghasilkan nilai pembobotan yang baik, karena dapat mengurangi efek panjang dari dokumen. TF ternormalisasi dihitung sebagai berikut [20]:

  Gambar.2 Contoh TDM berdasarkan frekuensi C.

  pencarian dengan metode indexing jika jumlah atau ukuran matriks yang sangat besar, karena inverted index mempunyai kompleksitas algoritme sebesar (O(n)). metode indexing memerlukan waktu yang berbanding lurus dengan jumlah datanya [19].

  Index dapat digunakan untuk mengatasi permasalahan proses

  merupakan struktur data yang digunakan untuk membuat pencarian secara keseluruhan guna mendapatkan frekuensi kata pada sebuah koleksi dokumen [18]. Bentuknya mirip dengan tabel antara dokumen dan jumlah frekuensi per kata dalam dokumen tersebut. Inverted

  Inverted Index

  TDM merupakan bentuk matriks yang menggambarkan frekuensi atau weighting dari dokumen dan fitur-fiturnya. Struktur data yang digunakan pada TDM pada penelitian ini adalah inverted index.Inverted Index merupakan struktur data berbentuk matriks, yang digunakan untuk mempermudah dalam merepresentasikan banyaknya kata yang muncul dalam dokumen teks [17].

   Term Document Matrix (TDM)

  Gambar.1. Gambaran sistem secara umum B.

  dari suatu dokumen ke kata-kata dasar (root word) dengan menggunakan aturan tertentu. ada bahasa Indonesia, stemming dilakukan dengan menghilangkan sufiks, prefiks, infiks dan konfiks [16].

  Stemming merupakan tahap untuk mentransformasi kata-kata

  mengekstraksi token dari teks. Pengetahuan bahasa diperlukan dalam tahap ini untuk menangani karakter khusus dan menentukan batasan satuan unit dalam dokumen [15].

  tokenizing . Proses tokenizing (parsing) merupakan tahap pengenalan token yang berada di dalam rangkaian teks. Tokenizer adalah bagian dasar dari proses tokenizing dengan

Pembobotan Kata-Dokumen

DF Thresholding

  batas yang telah ditentukan. Frekuensi dokumen adalah ii. Menghitung nilai eigen dan vektor eigen dari

  T banyaknya kata yang muncul dalam dokumen.

  A.A Asumsi dasarnya adalah bahwa setiap kata, non-informatif iii. Membentuk matriks y ^{1 dengan nilai dari vector}

  T

  atau tidakdalam prediksi kategori, berpengaruh dalam kolom adalah vektor eigenA.A dengan menentukan kinerja. Pada penelitian ini, kata yang memiliki susunan kolom vector yang paling kiri DF<2 dan TF yang panjangnya lebih dari sama dengan merupakan hasil vektor eigen dari nilai eigen setengah dokumen akan dihapus [21]. yang paling besar, dan vector eigen dengan nilai eigen yang paling kecil terletak di sebelah paling kanan dari matriks.

  E.

IG Thresholding

  iv. Dengan menggunakan algoritme Gram-

  IG adalah salah satu atribut pengukuran seleksi data yang Schmidt, matriks U dibentuk dari matriks digunakan untuk memilih tes pada tiap atribut. Atribut dengan orthogonal y1.

  IG tertinggi dipilih sebagai tes atribut dari suatu node. Rumus

  b) Membentuk matriks V

  T

  mendapatkan IG dari sebuah matriks dokumen dapat dihitung i. Perkalian antara matriks A .A dengan persamaan 4. ii. Menghitung nilai eigen dan vektor eigen dari

  T G p c c

  A .A (t) = - i log p i _i ( ) ( )

  å =1

  2 _m

  iii. Membentuk matriks y dengan nilai dari vector

  T t p c c

• p i | t log p i | t kolom adalah vektor eigenA .A dengan

  ( ) ( ) ( ) (4) _i å =1 _m

  susunan kolom vector yang paling kiri

   p c c

• p ~ t |~ t log p |~ t _{i i}

  ( ) ( ) ( ) _{i =1} å

  merupakan hasil vektor eigen dari nilai eigen yang paling besar, dan vector eigen dengan Dimana G adalah gain dari atribut, t adalah kata, maka G(t) nilai eigen yang paling kecil terletak di sebelah adalah gain dari kata. c adalah kategori, dan p adalah nilai iv. Dengan menggunakan algoritme Gram- peluang kata terhadap kategori. Semakin besar nilai IG (w),

  Schmidt, matriks U dibentuk dari matriks semakin besar diskriminatif kekuatan w kata. Untuk corpus orthogonal y2. dokumen yang berisi n dokumen dan kata-kata d, kompleksitas

  c) Membentuk matriks S perhitungan gain informasi adalah O (n · d · k) [22].

  Matriks S membentu matriks diagonal yang non-

  negative pada matriks U dan matriks V dengan F.

Singular Value Decomposition (SVD)

  menggabungkan nilai eigen pada matriks U dan SVD merupakan model matematis yang digunakan untuk

  Vdengan nilai eigen terbesar sampai terkecil disusun reduksi dimensi data. Proses SVD dilakukan dengan secara diagonal mulai dari kolom pertama baris pertama mendekomposisi matriks menjadi tiga bagian [23], seperti pada (diagonal pertama). Gambar 3.Matriks U dan V adalah matriks othonormal, yang mana baris pada matriks U menggambarkan banyaknya baris

  G.

  pada matriks A, sementara kolom pada matriks V

Fuzzy C-Means Clustering

  menggambarkan banyaknya kolom pada matriks A. k-rank Logika fuzzy merupakan logika yang memiliki tingkat digunakan untuk mereduksi dimensi dari matriks A. Matriks S kekaburan atau fuzzyness. Logika ini menunjukkan bahwa merupakan matriks simetris yang berisi nilai positif di tidak ada batasan yang jelas antara dua atau lebih hal yang sepanjang diagonal, daerah selain diagonal berisi 0. berbeda (benar-salah, kiri-kanan). Artinya, suatu benda atau hal dapat menjadi benar-salah, berada di kategori A-B dan sekaligus dalam waktu yang bersamaan. Fuzzy C-Means

  Clustering merupakan algoritme clustering atau pengelompokan yang memanfaatkan logika fuzzy tersebut.

  Teknik Fuzzy C-Means clustering ini membagi sejumlah n data ke dalam sejumlah cluster fuzzy dan menemukan titik pusat cluster. Fuzzy C-Means clustering bertujuan agar nilai dari fungsi obyektif menjadi seminimal mungkin.

  Konsep dari algoritme Fuzzy C-Means clustering ini terdiri atas beberapa langkah. Yang pertama adalah menentukan

  Gambar 3.Ilustrasi SVD

  derajat keanggotaan awal setiap titik data terhadap setiap

  cluster dengan nilai acak. Derajat keanggotaan ini akan

  Langkah-langkah dari SVD dapat dijelaskan sebagai berikut: diletakkan pada matriks ukuran n data x c cluster. Kemudian

  T

  i. Perkalian antara matriks A.A (5) pISSN: 2252 – 486X Yuita : Pengelompokkan Dokumen Berita Berbahasa…. Yuita, Tesa, Anggi pISSN: 2252 – 486X yang mana nilai Vij merupakan pusat cluster ke-l pada atribut ke-j, w adalah parameter yang menentukan tingkat kekaburan antar cluster, Xij adalah data ke-i pada atribut ke-

  j

  III. HASIL PENELITIAN DAN ANALISIS Harap Skenario uji coba dilakukan pada data dokumen berita yang diambil dari kompas.com secara acak, sebanyak 90 data, dengan 3 kategori, dimana pada masing-masing kategori terdapat 30 data file text. Pengujian dilakukan sebanyak 3 kali yaitu dengan menggunakan nilai IG thresholding 0,5 dan0,9, k-

  Sama dengan pengujian pertama, rata-rata untuk nilai k-rank yang semakin kecil menghasilkan nilai akurasi yang tinggi dibandingkan nilai k-rank yang banyak. Faktor penyebabnya karena jika k-rank yang digunakan terlalu besar maka keterlibatan informasi yang didapatkan terlalu jauh relevansinya.Nilai threshold 0,5 efektif pada kasus ini, karena informasi yang dianggap penting bagi sistem dapat tertangkap, dan tidak hilang begitu banyak. Gambar 5 menunjukkan grafik pada pengujian kedua.

  Pada pengujian kedua akurasi yang paling tinggi menunjukkan angka 0,97 terletak pada kategori tekno yang menggunakan nilai threshold 0,5 dan k-rank 5.Secara keseluruhan pada pengujian pertama dapat disimpulkan bahwa rata-rata yang dihasilkan pada pengujian pertama menunjukkan hasil akurasi optimal ketika threshold 0,5 dan k-rank 5 yaitu menghasilkan nilai rata-rata akurasi 0,88.

  Pada pengujian pertama rata-rata untuk nilai k-rank yang semakin kecil menghasilkan nilai akurasi yang tinggi dibandingkan nilai k-rank yang banyak. Faktor penyebabnya karena jika k-rank yang digunakan terlalu besar maka keterlibatan informasi yang didapatkan terlalu jauh relevansinya. Nilai threshold 0,5 efektif pada kasus ini, karena informasi yang dianggap penting bagi sistem dapat tertangkap, dan tidak hilang begitu banyak.

  5. Secara keseluruhan pada pengujian pertama dapat disimpulkan bahwa rata-rata yang dihasilkan pada pengujian pertama menunjukkan hasil akurasi optimal ketika threshold 0,5 dan k-rank 5 yaitu menghasilkan nilai rata-rata akurasi 0,83.

  k-rank

  pengelompokan dokumen yang hasil akurasinya yang dihitung menggunakan accuracy. Pada pengujian pertama yang ditunjukkan pada Gambar 4, akurasi yang paling tinggi menunjukkan angka 1 terletak pada kategori entertaint yang menngunakan nilai threshold 0,9 dan

  rank 5, 15, dan 25. Hasil parameter tersebut menghasilkan

  yang dimaksud correct adalah jumlah dokumen benar yang dikembalikan oleh sistem, dan total merupakan total keseluruhan dokumen. Perhitungan akurasi dihitung per kelas.

  , µil adalah derajat keanggotaan data ke-i pada cluster ke- l. Atribut merupakan properti dari data yang menjadi dasar pengelompokan Fuzzy C-Means clustering. Dalam penelitian ini, jumlah atribut dari data adalah jumlah k dari perhitungan SVD. Dari sini, nilai fungsi obyektif untuk iterasi tersebut dicari dengan menggunakan persamaan 6 yang dapat dijabarkan sebagai berikut :

  accuracy = correct / total (9)

  Tipe evaluasi yang digunakan untuk penelitian ini menggunakan accuracy. Perhitungan accuracy merupakan proses perhitungan nilai kebenaran dibagi dengan total keseluruhan dokumen di dalam suatu kelas atau kategori. Perhitungan accuracy ditunjukkan pada persamaan 9.

   Tipe Evaluasi

  H.

  (8) Yang mana ε adalah galat (tingkat kesalahan) yang ditentukan dari awal.

  < ε

  (7) Perulangan proses memperbaiki pusat cluster dan derajat keanggotaan seperti di atas akan terus berlangsung selama selisih nilai dari fungsi obyektif pada perulangan sekarang dan sebelumnya belum mencapai titik paling minimal atau iterasi belum berakhir. Nilai selisih fungsi obyektif didapatkan dengan persamaan 8:

  (6) yang mana Pt adalah nilai obyektif fungsi pada iterasi ke-t. Kemudian, derajat keanggotaan akan diperbaiki nilainya dengan menggunakan rumus yang dinyatakan dalam persamaan 7:

  Gambar.4 Grafik hasil pengujian pertama Gambar.5 Grafik hasil pengujian kedua

IV. KESIMPULAN

  preprocesing khususnya pada proses stemming. Sebaiknya

  MeansText Clustering with Supervised Feature Selection. In Fuzzy

  Dokumen Berita Menggunakan Essential Dimension of Latent Semantic Indexing dengan Memakai Reduksi Fitur Document Frequency dan Information Gain Thresholding. Seminar Nasional Teknologi Informasi dan Multimedia, STIMIK AMIKOM Yogyakarta. [10] Wang, W., Wang, C., Cui, X. and Wang, A., 2008, October. Fuzzy C-

  International Conference on (pp. 1-6). IEEE. [9] Sari, Y.A. and Puspaningrum, E.Y., 2013. Pencarian Semantik

  Language Processing (IALP), 2015 International Conference on (pp. 132-135). IEEE. [8] Reddy, G.S., 2016, September. Dimensionality reduction approach for high dimensional text documents. In Engineering & MIS (ICEMIS),

  A Survey. Annals of Library and Information Studies. Vol.54, December 2017, pp 201-206. [4] Sanburn, Josh. 2011. A Brief Story of Digital News.www.content.time.com. Diakses tanggal 17 April 2018. [5] Hui, S. and Dechao, Z., 2016, May. A weighted topical document embedding based clustering method for news text. In Information Technology, Networking, Electronic and Automation Control Conference, IEEE (pp. 1060-1065). IEEE. [6] Nguyen, M.N., Pham, C., Son, J. and Hong, C.S., 2016, October. Online learning-based clustering approach for news recommendation systems. In Network Operations and Management Symposium (APNOMS), 2016 18th Asia-Pacific(pp. 1-4). IEEE. [7] Li, B., Yan, Q., Xu, Z. and Wang, G., 2015, October. Weighted Document Frequency for feature selection in text classification. In Asian

   diakses tanggal 17 November 2012). [2] Barber, Phil. 2015. A Brief History of Newspaper.www.historicpages.com. Diakses tanggal 17 April 2018. [3] Khare S K, Thapa N, dan Sahoo K C. Internet as a Source of Information :

  [1] Stephens, Michell. History of Newspapers. [online

  R EFERENSI

  menggunakan algoritme improvisasi dari stemming Nazief- Andriani, agar akar kata yang dikembalikan akurasinya menjadi lebih baik dan mengambil dasar kata dengan baik.

  pISSN: 2252 – 486X Yuita : Pengelompokkan Dokumen Berita Berbahasa….

  Gambar.6 Grafik hasil pengujian ketiga

  Metode kombinasi reduksi fitur Document Frequency dan Information Gain Thresholding dalam Singular Value Decomposition dengan Fuzzy C-Means clustering dapat digunakan untuk melakukan pengelompokan dokumen berita dengan menggunakan kontennya sebagai dasar pengelompokan. Hasil penggunaan kombinasi reduksi dimensi matriks dengan menggunakan fitur Document Frequency dan Information Gain Thresholding menunjukkan bahwa term yang harus diproses oleh aplikasi dapat dikurangi jumlahnya secara signifikan.Hasil uji coba akurasi pengelompokan dokumen berita menunjukkan bahwa pengelompokan yang dilakukan dapat memberikan hasil pengkategorian yang cukup akurat dengan tingkat akurasi rata-rata 74,5 % (IG threshold 0,5, k =5).

  Dari pengujian pertama menggunakan 90 data terhadap kategori dalam reduksi fitur, menunjukkan hasil bahwa reduksi dengan menggunakan threshold 0,9 dapat mengurangi banyak dimensi kata. Pengurangan banyaknya kata ini membantu dalam menyempurnakan algoritme yang diusulkan.

  Pada 90 data, nilai matriks hasil reduksi DF mencapai 35% dari matriks awal. Reduksi IG dengan threshold 0,5 dihasilkan 1003 banyak kata, menunjukkan nilai reduksi 48% dari matriks DF, dan dengan threshold 0,9 menunjukkan hasil yang signifikan mencapai 665 kata atau 71% dari reduksi fitur DF.

  Gambar.8 Grafik perubahan jumlah kata sebelum dan sesudah thresholding .

  Gambar.7 Rata-rata hasil secara keseluruhan.

  Gambar 7 menunjukkan grafik hasil rata-rata akurasi keseluruhan pengujian, dimana pada pengujian pertama nilai rata-rata akurasi yang dicapai adalah 0,71, pengujian kedua 0,695 , dan hasil rata-rata akurasi pada pengujian ketiga adalah 0,70.Pada kasus ini, nilai threshold 0,5 menunjukkan nilai optimal, karena sistem menganggap bahwa dengan nilai tersebut informasi penting pada kata terambil dengan baik. Perubahan banyaknya jumlah kata sebelum dan setelah mengalami thresholding ditunjukkan pada Gambar 8.

  threshold dicapai paling baik ketika 0,5 dan nilai k-rank menunjukkan hasil yang optimal ketika nilai k-rank 5.

  Secara kesuluruhan hasil pengujian, nilai hasil rata-rata akurasi tertinggi terdapat pada pengujian pertama. Nilai

  k-rank 15 yaitu menghasilkan nilai rata-rata akurasi 0,86.

  Pada pengujian kedua akurasi yang paling tinggi menunjukkan angka 1 terletak pada kategori tekno yang menggunakan nilai threshold 0,5 dan k-rank 5. Secara keseluruhan pada pengujian pertama dapat disimpulkan bahwa rata-rata yang dihasilkan pada pengujian pertama menunjukkan hasil akurasi optimal ketika threshold 0,5 dan

  Saran yang dapat digunakan sebagai perbaikan pada proses Yuita, Tesa, Anggi pISSN: 2252 – 486X

  Systems and Knowledge Discovery, 2008. FSKD'08. Fifth International Conference on (Vol. 1, pp. 57-61). IEEE.

  [11] Sari, Yuita Arum, Achmad Ridok, and Marji. Penentuan Lirik Lagu Berdasarkan Emosi Menggunakan Sistem Temu Kembali Informasi dengan Metode Latent Semnatic Indexing (LSI). Song Lyrics Determination using Information Retrieval System with Reduction Dimension Singular Value Decomposition Method in Latent Semantic Indexing.

  Seminar Nasional Teknologi Infromasi dan Komputasi (SENASTIK). 2012. Pp. 73-79. [12] Uysal, A.K. and Gunal, S., 2014. The impact of preprocessing on text classification. Information Processing & Management, 50(1), pp.104-

  112. [13] Shinde, M.R. and Gill, P.C., 2014. Pattern Discovery Techniques for the Text Mining and its Applications. International Journal of Science and

  Research (IJSR) ISSN (Online) , pp.2319-7064.

  [14] Tala, F.Z., 2003. A study of stemming effects on information retrieval in Bahasa Indonesia. Institute for Logic, Language and Computation, Universiteit van Amsterdam, The Netherlands .

  [15] Ghalehtaki, R.A., Khotanlou, H. and Esmaeilpour, M., 2014, February.

  Evaluating preprocessing by turing machine in text categorization. In Intelligent Systems (ICIS), 2014 Iranian Conference on (pp. 1-6).

  IEEE. [16] Septian, G., Susanto, A. and Shidik, G.F., 2017, October. Indonesian news classification based on NaBaNA. In Application for Technology of

  Information and Communication (iSemantic), 2017 International Seminar on (pp. 175-180). IEEE.

  [17] Feldman, R. and Sanger, J., 2007. The text mining handbook: advanced approaches in analyzing unstructured data. Cambridge university press. [18] Giridharan, J. and Vairavan, S.V., 2014, March. Inverted index and interval lists for keyword search. In Green Computing Communication and Electrical Engineering (ICGCCEE), 2014 International Conference on (pp. 1-4). IEEE.

  [19] Sriyasa, W., 2009. Temu Kembali Informasi: Rekonstruksi Inverted Index dan Inplementasi Stopwords [20] Zhu, D. and Xiao, J., 2011, October. R-tfidf, a Variety of tf-idf Term Weighting Strategy in Document Categorization. In Semantics Knowledge and Grid (SKG), 2011 Seventh International Conference on (pp. 83-90). IEEE.

  [21] Muflikhah, L. and Baharudin, B., 2009, November. Document Clustering using concept space and cosine similarity measurement. In Computer Technology and Development, 2009. ICCTD’09. International Conference on (Vol. 1, pp.58-62). IEEE. [22] Wijayasekara, D., Manic, M. and McQueen, M. 2013, June. Information gain based dimensionality reduction in unsupervised text learning problems. In Education Technology and Computer (ICETC), 2010 2 ^nd International Conference on (Vol. 4, pp. V4-422). IEEE. [23] Abidin, T.F., Yusuf, B. and Umran, M., 2010, June. Singular Value

  Decomposition for dimensionalirt reduction in unsupervised text learning problems. In Education Technology and Computer (ICETC), 2010 2 ^nd International Converence Vol.4, pp.V4-422).IEEE.