Pengelompokan artikel berbahasa Jawa dengan hierarchical k means clustering.

BERBAHASA JAWA DENGAN HIERARCHICALK

MEANSCLUSTERING

ABSTRAK

Artikel memiliki berbagai jenis topik, sebagai contoh: berita ekonomi, kesehatan, dan sebagainya. Berdasarkan pada jenis artikel di atas ternyata dapat digali informasi yang dapat

dimanfaatkan (knowledge discovery). Knowledge discoverypada data teks dapat dilakukan

dengan proses awal berupa information retrieval. Proses dari information retrieval bertujuan

untuk menemukan ciri dari dokumen, untuk selanjutnya dilakukan analisis keterhubungan antar dokumen dengan menggunakan metode pengelompokan. Sebelum dikelompokkan, data

dokumen dari media cetak harus diubah ke bentuk text file. Selanjutnya masuk tahap

information retrievaluntuk memperoleh ciri dari suatu dokumen. Proses yang dilakukan

adalah tokenizing, stop word, stemming, dan weighting. Berdasarkan proses information

retrieval yang telah dilakukan, data dikelomopokan menggunakan Hierarchical K Means.

Metode Hierarchical K Means terdiri dari dua buah algoritma utama, yaitu K Means dan

agglomerative hierarchical clustering (AHC) khususnya teknik single linkage. Single linkage

dilakukan mencari centroid yang paling baik. Proses selanjutnya dilakukan K Means dengan

menggunakan centroid hasil single linkage, guna menghasilkan cluster terbaik. Setiap hasil

cluster dievaluasi dengan metode evaluasi internal,metode yang digunakan adalah sum of square error (SSE). Cluster yang memiliki error minimum diuji kembali dengan evaluasi

eksternal, yaitu dengan menggunakan (confusiion matrix). Berdasarkan percobaan

pengelompokan yang dilakukan didapatkan pembentukan tiga cluster, yang memiliki error

cluster minimum 19,84822 (evaluasi internal) dan memiliki akurasi maksimum 80% (evaluasi eksternal). Pembentukan tiga kelompok ini juga sesuai dengan tujuan yang ingin dicapai dalam tulisan ini, yaitu untuk mendapatkan pengelompokan dari artikel dan dapat membantu untuk mengetahui jenis topik artikel.

USING HIERARCHICAL KMEANS

ABSTRACT

There are many kinds of topic article—economy, health, politic, etc. Within those articles,

there is useful information that can be found (knowledge discovery). Knowledge discovery on the text data could be initiated by the initial process called information retrieval. The information retrieval process aimed to collect the characteristic of a document in order to analyze the connection between documents by using clustering method. Before conducting

the clustering process, document’sdata from printed media should be converted into text file.

The next step is information retrieval. In this step, the information retrieval collected the characteristic of a document by using tokenizing, stop word, stemming, and weighting. Documents data clustered by using Hierarchical K Means method based on information retrieval. This method consisted of two main algorithms, which are K Means and agglomerative hierarchical clustering (AHC) with single linkage technic. Single linkage would collect the best centroid. In the next process, K Means was initiated using best centroid from AHC to produce best cluster. Every cluster produced would be evaluated by internal evaluation method. The internal evaluation method is sum of square error (SSE). Clusters with minimum error would be retested by external evaluation method using confusion matrix. There are three outcome of clusters based on the clustering trial, which have minimum error 19,84882 (internal evaluation) and maximum accuracy 80% (external evaluation). The

forming of these three clusters was corresponded with this paper’s objectives, which are

i HALAMAN JUDUL

PENGELOMPOKAN ARTIKEL

BERBAHASA JAWA DENGAN HIERARCHICAL K MEANS

CLUSTERING

SKRIPSI

Diajukan Untuk Memenuhi Salah Satu Syarat Memperoleh Gelar Sarjana Komputer

Program Studi Teknik Informatika

Disusun Oleh :

Aluisius Bachtiar Bayu Saputra 115314076

PROGRAM STUDI TEKNIK INFORMATIKA JURUSAN TEKNIK INFORMATIKA FAKULTAS SAINS DAN TEKNOLOGI

UNIVERSITAS SANATA DHARMA YOGYAKARTA

ii HALAMAN JUDUL

JAVANESE LANGUAGE ARTICLES CLUSTERING

USING HIERARCHICAL K MEANS

A Final Project

Presented as Partial Fulfillment of The Requirements

To Obtain Sarjana Komputer Degree

In Informatics Engineering Study Program

By:

Aluisius Bachtiar Bayu Saputra 115314076

INFORMATICS ENGINEERING STUDY PROGRAM DEPARTMENT OF INFORMATICS ENGINEERING

FACULTY OF SCIENCE AND TECHNOLOGY SANATA DHARMA UNIVERSITY

YOGYAKARTA 2015

iii

HALAMAN PERSETUJUAN SKRIPSI

PENGELOMPOKAN ARTIKEL

BERBAHASA JAWA DENGAN HIERARCHICAL K MEANS

CLUSTERING

Disusun oleh:

Aluisius Bachtiar Bayu Saputra 115314076

Telah disetujui oleh:

Dosen Pembimbing

iv

HALAMAN PENGESAHAN SKRIPSI

PENGELOMPOKAN ARTIKEL

BERBAHASA JAWA DENGAN HIERARCHICAL K MEANS

CLUSTERING

Dipersiapkan dan disusun oleh:

Nama : Aluisius Bachtiar Bayu Saputra

NIM : 115314093

Telah dipertahankan di depan panitia penguji pada tanggal 23 Juli 2015

dan dinyatakan memenuhi syarat

Susunan Panitia Penguji:

Nama Lengkap Tanda Tangan

Ketua : JB Budi Darmawan, S.T., M.Sc. _____________

Sekretaris : Eko Hari Parmadi, S.Si., M.Kom. _____________

Anggota : Sri Hartati Wijono, S.Si., M.Kom. _____________

Yogyakarta, Juli 2015 Fakultas Sains dan Teknologi Universitas Sanata Dharma Dekan,

v

HALAMAN PERSEMBAHAN

Tugas akhir ini saya persembahkan untuk: Tuhan Yesus Yang Maha Baik

Bapak dan Ibu tercinta

Clothilde Arum ―si Gembul‖

Arzeta von A34 Renata Smile von Mentari

vi

PERNYATAAN KEASLIAN KARYA

Saya menyatakan dengan sesungguhnya bahwa skripsi saya tulis ini tidak memuat karya atau bagian karya orang lain, kecuali yang telah disebutkan dalam kutipan dan daftar pustaka sebagaimana layaknya karya ilmiah.

Yogyakarta, 28 Juli 2015

Penulis

vii

LEMBAR PERNYATAAN PERSETUJUAN

PUBLIKASI KARYA ILMIAH UNTUK KEPENTINGAN

AKADEMIS

Yang bertanda tangan di bawah ini, saya mahasiswa Universitas Sanata Dharma : Nama : Aluisius Bachtiar Bayu Saputra

Nomor Mahasiswa : 115314076

Demi pengembangan ilmu pengetahuan, saya memberikan kepada Perpustakaan Universitas Sanata Dharma karya ilmiah saya yang berjudul :

Pengelompokan Artikel Berbahasa Jawa dengan Hierarchical K Means Clustering

beserta perangkat yang diperlukan. Dengan demikian saya memberikan kepada Perpustakaan Universitas Sanata Dharma hak untuk menyimpan, me-ngalihkan dalam bentuk media lain, mengelolanya dalam bentuk pangkalan data, mendistribusikan secara terbatas, dan mempublikasikannya di Internet atau media lain untuk kepentingan akademis tanpa perlu meminta ijin dari saya maupun memberikan royalti kepada saya selama tetap mencantumkan nama saya sebagai penulis.

Demikian pernyataan ini yang saya buat dengan sebenarnya. Dibuat di Yogyakarta

Pada tanggal : 31 Juli 2015 Yang menyatakan

viii ABSTRAK

PENGELOMPOKAN ARTIKEL

BERBAHASA JAWA DENGAN HIERARCHICAL K MEANS

CLUSTERING

ABSTRAK

Artikel memiliki berbagai jenis topik, sebagai contoh: berita ekonomi, kesehatan, dan sebagainya. Berdasarkan pada jenis artikel di atas ternyata dapat digali

informasi yang dapat dimanfaatkan (knowledge discovery). Knowledge discovery

pada data teks dapat dilakukan dengan proses awal berupa information retrieval.

Proses dari information retrieval bertujuan untuk menemukan ciri dari dokumen,

untuk selanjutnya dilakukan analisis keterhubungan antar dokumen dengan menggunakan metode pengelompokan. Sebelum dikelompokkan, data dokumen

dari media cetak harus diubah ke bentuk text file. Selanjutnya masuk tahap

information retrieval untuk memperoleh ciri dari suatu dokumen. Proses yang

dilakukan adalah tokenizing, stop word, stemming, dan weighting. Berdasarkan

proses information retrieval yang telah dilakukan, data dikelomopokan

menggunakan Hierarchical K Means. Metode Hierarchical K Means terdiri dari

dua buah algoritma utama, yaitu K Means dan agglomerative hierarchical

clustering (AHC) khususnya teknik single linkage. Single linkage dilakukan

mencari centroid yang paling baik. Proses selanjutnya dilakukan K Means dengan

menggunakan centroid hasil single linkage, guna menghasilkan cluster terbaik.

Setiap hasil cluster dievaluasi dengan metode evaluasi internal, metode yang

digunakan adalah sum of square error (SSE). Cluster yang memiliki error

minimum diuji kembali dengan evaluasi eksternal, yaitu dengan menggunakan (confusiion matrix). Berdasarkan percobaan pengelompokan yang dilakukan

didapatkan pembentukan tiga cluster, yang memiliki error cluster minimum

19,84822 (evaluasi internal) dan memiliki akurasi maksimum 80% (evaluasi eksternal). Pembentukan tiga kelompok ini juga sesuai dengan tujuan yang ingin dicapai dalam tulisan ini, yaitu untuk mendapatkan pengelompokan dari artikel dan dapat membantu untuk mengetahui jenis topik artikel.

ix ABSTRACT

JAVANESE LANGUAGE ARTICLES CLUSTERING

USING HIERARCHICAL K MEANS

ABSTRACT

There are many kinds of topic article—economy, health, politic, etc. Within those

articles, there is useful information that can be found (knowledge discovery). Knowledge discovery on the text data could be initiated by the initial process called information retrieval. The information retrieval process aimed to collect the characteristic of a document in order to analyze the connection between documents by using clustering method. Before conducting the clustering process,

document’s data from printed media should be converted into text file. The next

step is information retrieval. In this step, the information retrieval collected the characteristic of a document by using tokenizing, stop word, stemming, and weighting. Documents data clustered by using Hierarchical K Means method based on information retrieval. This method consisted of two main algorithms, which are K Means and agglomerative hierarchical clustering (AHC) with single linkage technic. Single linkage would collect the best centroid. In the next process, K Means was initiated using best centroid from AHC to produce best cluster. Every cluster produced would be evaluated by internal evaluation method. The internal evaluation method is sum of square error (SSE). Clusters with minimum error would be retested by external evaluation method using confusion matrix. There are three outcome of clusters based on the clustering trial, which have minimum error 19,84882 (internal evaluation) and maximum accuracy 80% (external evaluation). The forming of these three clusters was corresponded with

this paper’s objectives, which are to cluster the article and to find out the type of

x

KATA PENGANTAR

Puji dan syukur penulis panjatkan atas kehadirat Tuhan Yang Maha Esa atas berkat, rahmat serta kasih-Nya sehingga penulis dapat menyelesaikan skripsi

yang berjudul ―Pengelompokan Artikel Berbahasa Jawa dengan Hierarchical

K Means Clustering‖.

Penulisan skripsi ini bertujuan untuk memenuhi sebagian syarat memperoleh gelar sarjana komputer program studi S1 jurusan Teknik Informatika Universitas Sanata Dharma. Penulis menyadari bahwa skripsi ini masih jauh dari sempurna oleh sebab itu penulis mengharapkan kritik dan saran yang bersifat membangun dari semua pihak demi kesempurnaan skripsi ini.

Selesainya skripsi ini tidak lepas dari peran penting berbagai pihak, sehingga pada kesempatan ini penulis dengan segala kerendahan hati serta rasa

hormat mengucapkan terima kasih yang sebesar – besarnya kepada semua pihak

yang telah memberikan dukungan baik secara langsung maupun tidak langsung kepada penulis dalam penyusunan skripsi ini hingga selesai. Pada proses penulisan tugas akhir ini, saya ucapkan banyak terima kasih kepada:

1. Tuhan Yesus selaku pembimbing iman dalam hidup yang selalu

memberi solusi di atas segala solusi.

2. Ibu Sri Hartati Wijono, S.Si., M.Kom. selaku pembimbing yang

memberikan pengarahan serta solusi dalam pengerjaan skripsi ini hingga selesai.

3. Romo Dr. Cyprianus Kuntoro Adi, SJ, MA, M.Sc. yang rela

meluangkan waktunya untuk ngopi dan berbagi solusi.

4. Kedua orangtua, Bapak Y. Sumaryono dan Ibu Laurentina Suparmi

yang selalu rela berkorban, mendoakan serta memberikan motivasi kepada penulis.

5. Romo Poldo Andreas Situmorang yang senantiasa tulus meluangkan

waktunya untuk konsultasi mengenai penelitian ini.

6. Yang tergembul, Clothilde Arum JR yang rela ditinggal pergi pagi

xi

7. Semok Crew (Poldo, Ega, dan Nusa) yang senantiasa kompak dalam

kerjasama team, baik siang, malam, maupun subuh menjelang, baik di

kampus, base camp, maupun di bar.

8. Seluruh civitas akademika Teknik Informatika angkatan 2011,

terutama anggota C++ yang telah berjuang bersama dan saling memberi

semangat dan inspirasi.

9. Semua pihak, baik langsung maupun tidak, yang telah membantu

dalam proses penyelesaian skripsi ini.

Penulis menyadari bahwa masih banyak kekurangan yang terdapat dalam skripsi ini. Saran dan kritik diharapkan untuk perbaikan-perbaikan pada masa yang akan datang. Semoga bermafaat.

Penulis menyadari masih banyak kekurangan dalam menyusun skripsi ini, namun penulis tetap berharap skripsi ini bermanfaat bagi pengembangan ilmu pengetahuan.

Yogyakarta, 28Juli 2015

Penulis

xii

DAFTAR ISI

HALAMAN JUDUL ... i

HALAMAN JUDUL ... ii

HALAMAN PERSETUJUAN ... iii

HALAMAN PENGESAHAN ... iv

HALAMAN PERSEMBAHAN ... v

PERNYATAAN KEASLIAN KARYA ... vi

ABSTRAK ... viii

ABSTRACT ... ix

KATA PENGANTAR ... x

DAFTAR ISI ... xii

DAFTAR GAMBAR ... xiv

DAFTAR TABEL ... xv

BAB I PENDAHULUAN ... 1

1.1 Latar Belakang ... 1

1.2 Rumusan Masalah ... 3

1.3 Batasan Masalah ... 3

1.4 Tujuan ... 4

1.5 Metodologi Penelitian ... 4

1.6 Sistematika Penulisan ... 5

BAB II LANDASAN TEORI ... 7

2.1 Information Retrieval ... 7

2.2 Clustering ... 19

2.3. Evaluasi ... 30

BAB III METODOLOGI PENELITIAN... 32

3.1 Data ... 32

3.2 Teknik Analisis Data ... 32

3.3 Desain User Interface ... 42

3.4 Spesifikasi Software dan Hardware ... 42

BAB IV IMPLEMENTASI DAN ANALISIS HASIL ... 43

4.1 Implementasi ... 43

xiii

4.1.2 Pengolahan Data... 50

4.2 Analisis Hasil ... 64

BAB V PENUTUP ... 80

5.1.Kesimpulan ... 80

5.2 Saran ... 82

DAFTAR PUSTAKA ... 83

xiv

DAFTAR GAMBAR

Gambar 2.1 Proses Information Retrieval (Manning, 2008)... 8

Gambar 2.2 Distribusi Zipf (Manning, 2008) ... 12

Gambar 2.3 Ilustrasi Penentuan Keanggotaan Kelompok Berdasarkan Jarak (Turban dkk, 2005)... 20

Gambar 2.4 Dendrogram ... 24

Gambar 2.5 Dendrogram singlelinkage untuk 5 obyek data ... 29

Gambar 3.1 Diagram Block Proses Clustering. ... 33

Gambar 3.2 Pembobotan tf-idf ... 35

Gambar 3.3 Langkah Menghitung Jarak Minimum pada single linkage ... 38

Gambar 3.4 Langkah Menghitung Menggabungkan Kelompok yang Berdekatan39 Gambar 3.5 Dendrogram ... 39

Gambar 3.6 Tampilan Menu Utama... 42

Gambar 4.1 Implementasi User Interface Awal (sebelum proses dilakukan) ... 44

Gambar 4.2 Implementasi User Interface (setelah dilakukan proses) ... 44

Gambar 4.3 Button Preprocessing dan Button Proses ... 45

Gambar 4.4 Hasil Kata Unik ... 46

Gambar 4.5 Hasil Pengelompokan Terbaik ... 47

Gambar 4.6 Anggota Cluster dari Pengelompokan Terbaik ... 48

Gambar 4.7 Hasil Centroid Terbaik yang Digunakan Pengelompokan ... 48

Gambar 4.8 Hasil Himpunan Centroid yang Divisualisasikan dengan Dendrogram ... 49

Gambar 4.9 Hasil Akurasi Berdasarkan Pengelompokan Terbaik... 49

Gambar 4.10 Peringatan/Informasi dari Aksi Menekan Button Preprocessing dan Proses ... 50

Gambar 4.11 Jumlah Data Dokumen yang Digunakan ... 51

Gambar 4.12 Salah Satu Contoh Data Dokumen ... 51

Gambar 4.13 Hasil Tokenizing ... 53

Gambar 4.14 Hasil Stop Word ... 54

Gambar 4.15 Hasil Stemming ... 56

Gambar 4.16 Hasil Indexing ... 57

Gambar 4.17 Dendrogram ... 59

Gambar 4.18 Centroid Awal ... 60

Gambar 4.19 Pembagian Cluster Beserta Anggotanya ... 62

Gambar 4.20 Pembagian Anggotanya Cluster ... 62

Gambar 4.21 Pemilihan SSE Minimum ... 63

Gambar 4.22 Hasil Akurasi ... 64

Gambar 4.23 Perbandingan Pemotongan Frekuensi Kata ... 78

xv

DAFTAR TABEL

Tabel 2.1 Rule untuk Suffix ... 14

Tabel 2.2 Rule untuk Prefix ... 14

Tabel 2.3 Rule untuk Infix ... 15

Tabel 2.4 Contoh Data Perhitungan hierarchical clustering ... 25

Tabel 2.5 Matriks jarak ... 26

Tabel 2.6 Matriks Jarak Pertama singlelinkage ... 27

Tabel 2.7 Matriks Jarak Kedua singlelinkage ... 27

Tabel 2.8 Matriks Jarak Ketiga singlelinkage ... 28

Tabel 3.1 Pembobotan ... 35

Tabel 3.2 Perhitungan Jarak antara Dokumen dengan Centroid... 37

Tabel 3.3 Hasil Himpunan Cluster Berdasarkan Pemotongan ... 40

Tabel 3.4 Hasil iterasi K Means yang Sudah Stabil ... 41

Tabel 4.1 Percobaan 1 dengan range term frekuensi 0-152 (tanpa pemotongan term) dengan jumlah kata unik 2.358 ... 66

Tabel 4.2 Hasil Akurasi 1 dengan tf 0-152(tanpa pemotongan) dengan jumlah kata unik 2.358 ... 67

Tabel 4.3 Percobaan 2 dengan range term frekuensi 20-130, dengan jumlah kata unik 236. ... 68

Tabel 4.4 Hasil Akurasi 2 dengan tf 20-130 dengan jumlah kata unik 236. ... 69

Tabel 4.5 Hasil Percobaan 3 dengan c=2 dan range 70-90 dengan jumlah kata unik 11. ... 70

Tabel 4.6 Hasil Akurasi 3 c=2 dan range 70-90 dengan jumlah kata unik 11. ... 70

Tabel 4.7 Hasil Percobaan 4 dengan c=4 dan range 70-90 dengan jumlah kata unik 11. ... 71

Tabel 4.8 Hasil Akurasi 4 c=4 dan range 70-90 dengan jumlah kata unik 11. ... 71

Tabel 4.9 Hasil Percobaan 5 dengan c=2 dan range 50-150 dengan jumlah kata unik 40. ... 72

Tabel 4.10 Hasil Akurasi 5 c=2 dan range 50-150 dengan jumlah kata unik 40. . 72

Tabel 4.11 Hasil Percobaan 6 dengan c=4 dan range 50-150 dengan jumlah kata unik 40. ... 73

Tabel 4.12 Hasil Akurasi 6 c=4 dan range 50-150 dengan jumlah kata unik 40. . 73

Tabel 4.13 Percobaan 7 dengan range term frekuensi 75-85 dengan jumlah kata unik 4. ... 74

1

1.

BAB I

PENDAHULUAN

1.1 Latar Belakang

Media cetak adalah sarana menuangkan gagasan dan buah pikiran. Salah satu jenis media cetak adalah majalah. Ada beberapa daerah yang memiliki majalah dengan bahasa daerahnya, sebagai contoh: Jaka Lodhang, Mekar Sari, Panjebar Semangat (Bahasa Jawa) dan Cupumanik, Manglé (Bahasa Sunda). Seperti halnya Bahasa Inggris dan Bahasa Indonesia, artikel berbahasa Jawa juga memiliki informasi tersembunyi yang dapat digali dan dimanfaatkan, yang

membedakannya adalah proses stemming dan aturan-aturan setiap bahasa.

Artikel memiliki berbagai jenis topik, sebagai contoh: berita ekonomi, kesehatan, dan sebagainya. Berdasarkan pada jenis-jenis artikel di atas ternyata

dapat digali informasi yang dapat dimanfaatkan sebagai knowledge discovery.

Knowledge discovery adalah kegiatan menggali informasi dan pola tersembunyi

pada suatu sumber data. Knowledge discovery dengan data teks dapat dilakukan

dengan proses information retrieval (Han, 2011). Information retrieval adalah

sekumpulan algoritma dan teknologi untuk melakukan pemrosesan, penyimpanan, dan menemukan kembali informasi (tertstruktur) pada suatu koleksi data yang besar (Manning, 2008). Terdapat beberapa tahap yang harus dilakukan dalam information retrieval, secara umum dapat dibagi ke dalam tahap seperti berikut: tokenizing, stopword, stemming, indexing.

2 Pengelompokan dokumen dapat dikerjakan dengan metode tertentu,

penelitian ini akan menggunakan salah satu metode clustering yaitu K Means.

Pemilihan algoritma K Means karena memiliki banyak keunggulan daripada

algoritma lainnya (Baswade, 2013), keunggulan K Means diantaranya:

1. Relatif efisien dengan O (knt) di mana k-jumlah cluster, n-jumlah objek,

t-jumlah iterasi.

2. Mudah untuk diimplementasikan dan dijalankan.

3. Waktu yang dibutuhkan untuk menjalankan pembelajaran ini relatif cepat.

4. Mudah untuk diadaptasi.

Keunggulan yang ditawarkan K Means membuat banyak penelitian yang menggunakan metode tersebut, salah satu diantaranya: Analisa Perbandingan

Metode Hierarchical Clustering, K-means dan Gabungan Keduanya dalam

Cluster Data (Studi kasus : Problem Kerja Praktek Jurusan Teknik Industri ITS) (Alfina, Santosa, Ridho Barakbah, 2012), Klasterisasi, Klasifikasi dan Peringkasan Teks Berbahasa Indonesia (Raharjo dan Winarko, 2014), serta Deteksi Iris Mata

untuk Menentukan Kelebihan Kolesterol Menggunakan Ekstraksi Ciri Moment

Invariant dengan K-Means Clustering (Handini Rani, Supriyati, Khotimah, 2014). Berdasarkan keunggulan keunggulan dan penelitian yang telah dilakukan,

maka peneliti memilih metode K Means untuk digunakan sebagai metode

pengelompokan data, pada penerapannya akan digunakan Hierarchical clustering

untuk mengoptimalkan centroid awal sehingga diperoleh akurasi yang lebih tinggi

dibandingkan dengan random K Means dan tentunya proses pencarian dan

3 1.2 Rumusan Masalah

Bertolak dari uraian latar belakang di atas, maka peneliti mengambil rumusan masalah sebagai berikut:

1. Bagaimana langkah mengelompokkan artikel berbahasa Jawa menurut

topiknya?

2. Sejauh mana pendekatan metode hierarchical K Means mampu

mengelompokkan artikel berbahasa Jawa dengan akurasi yang baik?

1.3 Batasan Masalah

Batasan masalah sangat penting dalam membuat suatu sistem agar implementasinya nanti sesuai dengan yang diharapkan, maka batasan masalah yang akan dibahas dan diaplikasikan dalam penulisan ini yaitu:

1. Data artikel memiliki jumlah 75 dokumen dimana dibatasi sumber yang

berasal dari majalah Djaka Lodhang, Praba, dan Mekarsari yang memiliki tiga kelompok topik, yaitu ekonomi, kesehatan, dan pendidikan.

2. Pengelompokan artikel Bahasa Jawa dilakukan secara manual dan belum

melibatkan pakar atau ahli di bidang Bahasa Jawa.

3. Artikel menggunakan Bahasa Jawa.

4. Data artikel yang digunakan diubah dalam bentuk dokumen berekstensi

.txt.

5. Pengelompokan data artikel menggunakan metode K Means dimana

centroid awal ditentukan dengan metode Hierarichal Clustering (Single Lingkage).

4 1.4 Tujuan

Penelitian ini diharapkan dapat :

1. Mengetahui kelompok dari artikel dan dapat membantu untuk

mengetahui jenis topik artikel pada dokumen berbahasa Jawa.

2. Mengukur akurasi dari metode Hierarichal K Means pada

pengelompokan dokumen berbahasa Jawa.

1.5 Metodologi Penelitian

Metodologi penelitian yang digunakan dalam penelitian ini adalah studi kasus dengan langkah-langkah sebagai berikut :

1. Studi Pustaka

Studi pustaka bertujuan untuk memberikan pengetahuan tentang hal-hal yang berkaitan dengan pengelompokan dokumen. Studi pustaka dilakukan dengan mempelajari buku referensi, jurnal dan artikel yang

berkaitan dengan pengelompokan dokumen teks, metode Hierarchical K

Means.

2. Pengumpulan Data

Pada tahap ini dilakukan pencarian dan pengumpulan data. Data

didapat dari majalah berbahasa Jawa Jaka Lodang, Mekarsaridan majalah

Praba.

3. Perancangan

5

4. Pembuatan Sistem

Berdasarkan hasil analisis dan perancangan sistem, maka tahapan selanjutnya adalah membuat sistem yang akan digunakan.

5. Implementasi dan Pengujian

Implementasi sistem dengan cara menjalankan sistem yang telah dibuat dan dilakukan pengujian dengan menampilkan pengelompokan dokumen teks dalam Bahasa Jawa untuk mengetahui pengklasifikasiannya.

6. Evaluasi

Menganalisis hasil implementasi dan membuat kesimpulan terhadap penelitian yang telah dikerjakan.

1.6 Sistematika Penulisan

Sistematika penulisan yang akan digunakan adalah sebagai berikut :  BAB I PENDAHULUAN

Bab ini akan menjelaskan latar belakang, perumusan masalah, batasan masalah, tujuan penelitian, manfaat penelitian, dan sistematika penulisan.  BAB II DASAR TEORI

Bab ini akan menjelaskan dasar – dasar teori yang akan digunakan

sebagai landasan utama penelitian dan pembuatan sistem.  BAB III METODOLOGI

Bab ini membahas tentang teknik pengambilan, proses, hingga output sistem.

6  BAB IV IMPLEMENTASI DAN ANALISIS HASIL

Bab ini berisi tentang implementasi berdasarkan metodologi yang telah dipaparkan di bab sebelumnya.

 BAB V KESIMPULAN DAN SARAN

Bab ini berisi tentang kesimpulan dan saran yang diberikan untuk perbaikan sistem sehingga menjadi lebih baik dan bermanfaat.

7

2.

BAB II

LANDASAN TEORI

2.1 Information Retrieval

Information Retrieval merupakan sekumpulan algoritma dan teknologi untuk melakukan pemrosesan, penyimpanan, dan menemukan kembali informasi (tertstruktur) pada suatu koleksi data yang besar (Manning, 2008). Data yang digunakan dapat berupa teks, tabel, gambar maupun video. Sistem IR yang baik memungkinkan pengguna menentukan secara cepat dan akurat apakah isi dari dokumen yang diterima memenuhi kebutuhannya.

2.1.1 Arsitektur Information Retrieval 2.1.1.1 Proses Retrieval

Proses information retrieval secara garis besar digambarkan dalam

8

Gambar 2.1 Proses Information Retrieval (Manning, 2008)

Secara detail, penjelasan mengenai arsitektur information retrieval terdiri dari beberapa langkah, yaitu :

1. Langkah pertama dalam proses retrieval adalah merancang dan

memodelkan bentuk dari data yang akan digunakan untuk

keperluan informationretrieval.

• Penentuan jenis dokumen yang akan digunakan (Semi Structured dan Unstructured)

 Semi–structured (dokumen yang memiliki struktur tree, misalnya dokumen XML) biasanya memberikan tag tertentu pada term

9

 Unstructured (dokumen yang tidak memiliki pola, misalnya artikel atau paragraf) proses ini akan dilewati dan term pada dokumen akan dibiarkan tanpa imbuhan tag.

• Operasi dasar yang akan dilakukan terhadap text pada isi dokumen.

• Sistem akan membentuk indeks dari text.

2. Indeks merupakan bagian yang sangat kritikal karena akan berpengaruh pada proses pencarian yang cepat dalam volume data yang sangat besar. Struktur indeks dapat berbeda-beda, namun

yang paling popular untuk digunakan adalah invertedindex.

3. Ketika document data text selesai dibentuk, maka user sudah

dapat melakukan pencarian. Langkah-langkah yang harus dilakukan pada pencarian adalah sebagai berikut :

 Pada suatu kebutuhan pencarian data atau kebutuhan

informasi pengguna akan merepresentasikan kebutuhan

tersebut dengan menggunakan query.

 Query Operation akan dilakukan setelah user menginput query.

 Proses searching pada query akan menghasilkan retrieved

10

 Sebelum data dikembalikan ke user, dokumen yang

di-retrieved akan diranking berdasarkan kedekatan dokumen

dengan query.

2.1.1.2 Text Operation

Text Operation berperan penting dalam proses information retrieval, karena seluruh proses yang berhubungan dengan penggalian

informasi dari sumber dokumen ataupun teks dilakukan pada proses text

operation. Textoperation memilki beberapa langkah yang dapat dilakukan

di dalam sebuah sistem Information Retrieval, berikut adalah

langkah-langkah pada textoperatrion:

 Tokenisasi

 Penghilangan Stop-word

 Stemming



Indexing

2.1.1.2.1 Tokenization

Tokenisasi merupakan proses pemenggalan kata dalam suatu

dokumen menjadi potongan – potongan kata yang berdiri sendiri (token).

Proses ini juga akan menghilangkan tanda baca atau karakter yang melekat pada kata tersebut dan semua kata menjadi huruf kecil (Manning, 2008). Contoh tokenisasi :

• Input :Friends, Romans, Countrymen, Lend, Me, Your, Eyes

11

Terkadang token dapat dikatakan juga sebagai term atau kata. Pemotongan

kumpulan karakter biasanya berdasarkan karakter spasi, namun beberapa permasalahan yang terjadi dalam proses tokenisasi yaitu terdapat beberapa kata yang akan berbeda arti bila dipotong berdasarkan spasi seperti San Fransisco akan memiliki arti yang berbeda bila dipotong menjadi San dan

Fransisco. Setiap dokumen dan query direpresentasikan dengan model

bag-of-words, yaitu model yang mengabaikan urutan dari kata – kata dan struktur yang ada di dalam dokumen. Dokumen diubah menjadi sebuah

wadah yang berisi kata – kata yang independen.

2.1.1.2.2 Penghilangan Stop Word

Stop-word didefinisikan sebagai term yang tidak berhubungan (non-relevant) dengan subjek utama dari data meskipun kata tersebut

sering muncul di dalam dokumen. Penghilangan stop-word tidak bersifat

wajib pada beberapa desain dari modern information retrieval, dimana

memliki cara sendiri untuk menyelesaikan masalah kata-kata yang sering

digunakan dengan menggunakan data statistik. Contoh stop-word dalam

Bahasa Inggris adalah : a, an, the, this, that, these, those, her, his, its, my,

our, their, your, all, few, many, several, some, every, for, and, nor, bit, or, yet, so, also, after, although, if, unless, because, on, beneath, over, of, during, beside, dan etc. Contoh stop-word dalam bahasa Indonesia : yang, juga, dari, dia, kami, kamu, aku, saya, ini, itu, atau, dan, tersebut, pada, dengan, adalah, yaitu, ke, tak, tidak, di, pada, jika, maka, ada, pun, lain, saja, hanya, namun, seperti, kemudian, dan dll.

12 Stop-word juga bisa dilakukan dengan memotong kata berdasarkan

distribusi kata (Zipf Distrubution). Zipf Distrubution merupakan

pembagian/distribusi frekuensi kata, dapat digambarkan seperti gambar 2.2. Pada tahap ini dilakukan pemotongan kata yang memiliki frekuensi

sangat tinggi maupun rendah, dengan demikian dapat dikatakan Zipf

Distribution dapat memotong batas kata yang optimum untuk memberikan

ciri atau key word dari suatu dokumen.

Gambar 2.2 Distribusi Zipf (Manning, 2008)

2.1.1.2.3 Stemming

Sebuah kata kerja dalam dokumen sering kali memiliki banyak bentuk atau tata bahasa yang berbeda, untuk mengatasinya dilakukan stemming. Tujuan akhir dari stemming adalah mereduksi kata menjadi kata dasar, proses ini dilakukan dengan pemotongan akhiran dan awalan kata.

Hasil dari langkah stemming diperoleh kelompok kata yang mempunyai

makna serupa tetapi berbeda wujud sintaktis satu dengan lainnya. Kelompok tersebut dapat direpresentasikan oleh satu kata tertentu. Meskipun demikian stemming dan lemmatisasi memiliki perbedaan dalam

13

cara kerjanya. Stemming melakukan proses pemotongan akhiran dan

awalan untuk mencapai tujuan tersebut, sedangkan lemmatisasi melihat penggunaan kata kerja serta analisis morfologi terlebih dahulu sebelum melakukan pemotongan, hasil dari lemmatisasi biasa disebut dengan

lemma. Misalkan sebuah kata saw, stemming hanya akan mengembalikan

kata see, sedangkan lemmatisasi akan memotongnya ke bentuk see atau

saw tergantung pada penggunaan katanya sebagai verb atau noun. Setiap

bahasa tentunya memiliki norma stemming yang berbeda, maka tahap

stemming untuk Bahasa Jawa tentunya memiliki proses yang berbeda

(Ledy Agusta, 2009), berikut adalah langkah stemming untuk Bahasa

Jawa:

2.1.1.2.3.1 Aturan / Rule Stemming

Sebelum membuat aturan stemming untuk bahasa Jawa, diuraikan

terlebih dahulu penggunaan simbol-simbol dalam membuat stemmerrule

(Widjono, dkk, 2011) :

1. Aturan substitusi/penghapusan menggunakan tanda =>.

ny =>‖‖ (ny dihapus) ny => s (ny diganti s)

2. Simbol <> digunakan untuk menyatakan tingkat affix yang mempengaruhi

urutan pengecekan di algoritma stemming. Rule yang digunakan adalah

14

Tabel 2.1 Rule untuk Suffix

SUFFIX

<1> e=>"",n=>"",a=>"",i=>"",ing=>"", ku=>"",mu=>""

<2> ke=>"", ki=>"",wa=>"", ya=>"",na=>"",ne=>"",en=>"",an=>"",ni=>"",nira=>"", ipun=>"", on=>"u", ning=>""

<3> ake=>"", en=>"i", kna=>"n", kno=>"n", ana=>"", ono=>"", ane=>"", kne=>"", nan=>"", yan=>"", nipun=>"", oni=>"u", eni=>"i"

<4> kake=>"n", ken=>"" ,kke=>"",nana=>"",nono=>"", nane=>"", nen=>"",kna=>"",kno=>"", ekne=>"i", onan=>"u",enan=>"i"

<5> kake=>"",kken=>"",aken=>"",kke=>"n",enana=>"i",enono=>"i",onen=>"u",enen=>"i",onana=> "u",onono=>"u", ekna=>"i",ekno=>"i",okno=>"u",okna=>"u"

<6> ekken=>"i",kaken=>"n",okken=>"u",ekake=>"i",ekke=>"i",okake=>"u",okke=>"u", kaken=>"", kken=>"n"

<7> ekaken=>"i",okaken=>"u"

Tabel 2.2 Rule untuk Prefix

PREFIX

<1> dipun=>"",peng=>"",peny=>"",pem=>"",pam=>"",pany=>"",pra=>"",kuma=>"",kapi=>"", bok=>"",mbok=>"",dak=>"",tak=>"",kok=>"",tok=>"",ing=>"",ang=>"",any=>"", am=>"", sak=>"",

se=>"",su=>"",mang=>"",meng=>"",nge=>"",nya=>"",pi=>"",ge=>"",ke=>"",u=>"", po=>"u",ke=>"u"

<2> mer=>"",mra=>"",mi=>"",sa=>"",ku=>"",an=>"",ka=>"",ny=>"s",ng=>"k",di=>"",peng=>" k",pang=>"k",pany=>"c", pam=>"p",ke=>"i",mang=>"k",meng=>"k"

15

<4> n=>"t", pan=>"s", pen=>"s",man=>"s",men=>"s" <5> pan=>"",pen=>"",man=>"t",men=>"t",n=>"" <6> pa=>"",pe=>"",man=>"",men=>""

<7> p=>"",ma=>"",me=>"" <8> m=>"w"

<9> m=>"p" <10> m=>""

Tabel 2.3 Rule untuk Infix

INFIX

<1> gum=>"b",gem=>"b",kum=>"p",kem=>"p"

<2> kum=>"w", kem=>‖w‖

2.1.1.2.3.2 Algoritma Stemming

Algoritma untuk melakukan proses stemming terhadap kata tunggal atau duplikasi.

1. Kata berimbuhan adalah word. Kata sebagai hasil adalah stemW

2. Cek jumlah karakter word, jika < 2. Keluar.

3. Jika word mengandung ―-―, maka pecah kata berdasar ―-― menjadi w1

dan w2. Dan lakukan langkah 4-13

4. w11 = w1 tanpa vokal dan w21 = w2 tanpa vokal.

5. Jika w11 = w21 dan panjang w1=w2 maka lakukan langkah 6-8

6. Jika w2 ada di kamus maka stemW=w2 dan keluar.

16

8. Jika w22 ada di kamus maka stemW=w22, jika tidak

stemW=w1-w2 dan keluar.

9. Jika w11 != w21, lakukan langkah 10-13

10.ws11=hilangkan imbuhan(w1) dan ws21 = hilangkan

imbuhan(w2).

11.Cek ws21 di kamus, jika ada maka stemW=ws21 dan

keluar.

12.Cek ws11 di kamus, jika ada maka stemW=ws11 dan

keluar.

13.Jika tidak maka stemW=ws11-ws21 dan keluar.

14.stemW = hilangkan imbuhan(stemW). Cek stemW di dictionary. Jika

ada stemW dikembalikan dan keluar.

Algoritma untuk menghilangkan afiks pada kata berimbuhan.

1. Kata yang akan dihilangkan imbuhan adalah word.

2. ws1=hapus suffix (word). Cek di dictionary. Jika ada kembalikan kata.

3. ws1s2=hapus suffix (ws1). Cek di dictionary. Jika ada kembalikan

kata.

4. ws1i1=hapus infix (ws1). Cek di dictionary. Jika ada kembalikan kata.

5. dws1= pengulangan parsial (ws1). Cek di dictionary. Jika ada

kembalikan kata.

6. dws1s2= pengulangan parsial (ws1s2). Cek di dictionary. Jika ada

kembalikan kata.

17

8. dwp1= pengulangan parsial (wp1). Cek di dictionary. Jika ada

kembalikan kata.

9. wp1s1=hapus suffix(wp1). Cek di dictionary. Jika ada kembalikan

kata.

10.dwp1s1= pengulangan parsial (wp1s1). Cek di dictionary. Jika ada

kembalikan kata.

11.wp1s1s2=hapus suffix (wp1s1). Cek di dictionary. Jika ada

kembalikan kata.

12.wp1p2=hapus prefix (wp1). Cek di dictionary. Jika ada kembalikan

kata.

13.wp1p2s1=hapus suffix (wp1p2). Cek di dictionary. Jika ada

kembalikan kata.

14.wp1p2s1s2=hapus suffix (wp1p2s1). Cek di dictionary. Jika ada

kembalikan kata.

15.wi1=hapus infix (word). Cek di dictionary. Jika ada kembalikan kata.

16.wi1s1=hapus suffix (wi1). Cek di dictionary. Jika ada kembalikan kata.

2.1.1.3 Indexing

Proses indexing adalah proses yang merepresentasikan document

collection ke dalam bentuk tertentu untuk memudahkan dan mempercepat

proses pencarian dokumen yang relevan. Pembuatan index dari document

collection adalah tugas pokok pada tahapan pre-processing di dalam information retrieval. Efektitifitas dan efisiensi information retrieval dipengaruhi oleh kualitas indeks-nya. Pengindeksan membedakan

18 dokumen satu dengan dokumen yang lain yang berada di dalam satu collection. Indeks dengan ukuran yang kecil dapat memberikan hasil yang kurang baik dan bisa saja beberapa dokumen yang seharusnya relevan terabaikan. Sementara indeks dengan ukuran yang besar memungkinkan ditemukannya dokumen yang tidak relevan dan menurunkan kecepatan

pencarian. Pembuatan inverted index harus melibatkan konsep linguistic

processing yang bertujuan mengekstrak term-term penting dari dokumen

yang direpresentasikan sebagai bag-of-words.

Pada tahap indexing, dapat dilakukam pengindeksan terhadap term

frekuensi (tf), idf, tf-idf, atau fitur bobot tf-idf dapat dihitung sebagai berikut: ) df / ( log ) tf log 1 (

w _{, 10}

,j i j N i

i    _(2.1)

df i = frekuensi dokumen dari kata i = jumlah dokumen yang berisi kata i idfi = inverse document frequency dari kata i, = log10 (N/ df i)

(N: jumlah total dokumen).

W=weight (bobot kata)

 Contoh pembobotan kata pada dokumen:

Diberikan dokumen berisi kata A,B,C dengan frekuensi : A(3), B(2), C(1)

Misal, ada koleksi berisi 10,000 dokumen dan frekuensi kata A, B, C untuk seluruh dokumen:

19 A(50), B(1300), C(250)

Maka :

A: tf = 3; idf = log(10000/50) = 2.3; tf-idf = 6.9 B: tf = 2; idf = log(10000/1300) = 0.88;tf-idf = 1.77 C: tf = 1; idf = log(10000/250) = 1.6; tf-idf = 1.6 2.2 Clustering

2.2. K Means Clustering

K Means clustering merupakan metode yang populer digunakan untuk mendapatkan deskripsi dari sekumpulan data dengan cara mengungkapkan kecenderungan setiap individu data untuk berkelompok dengan individu-individu data lainnya. Kecenderungan pengelompokan tersebut didasarkan pada kemiripan karakteristik tiap individu data yang ada. Ide dasar dari metode ini adalah menemukan pusat dari setiap kelompok data yang mungkin ada untuk kemudian mengelompokkan setiap data individu ke dalam salah satu dari kelompok-kelompok tersebut berdasarkan jaraknya (Turban dkk, 2005). Semakin dekat jarak data individual, sebut saja X1 dengan salah satu pusat dari kelompok yang ada , sebut saja A, maka semakin jelas bahwa X1 tersebut merupakan anggota dari kelompok yang berpusat di A dan semakin jelas pula bahwa X1 bukan anggota dari kelompok-kelompok yang lainnya (ilustrasi dapat dilihat pada gambar 1). Secara kuantitatif hal ini ditunjukkan melalui fakta bahwa d1A yaitu jarak dari X1 ke A mempunyai nilai yang paling kecil jika dibandingankan dengan d1B dan d1C.

20 Gambar 2.3 Ilustrasi Penentuan Keanggotaan Kelompok Berdasarkan Jarak

(Turban dkk, 2005)

Cara untuk menemukan pusat yang paling sesuai sebagai upaya merepresentasikan posisi dari sebuah kelompok data terhadap kelompok data yang lainnya dilakukan sebuah proses perulangan. Proses perulangan ini dimulai dengan menentukan secara sembarang posisi dari pusat-pusat kelompok yang telah ditetapkan. Selanjutnya ditentukan keanggotaan setiap individu data berdasarkan jarak terpendek terhadap pusat-pusat tersebut. Pada iterasi kedua dan seterusnya dilakukan pembaharuan posisi pusat untuk semua kelompok. Langkah selanjutnya dilakukan pembaharuan keanggotaan untuk setiap kelompok.

2.2.1 Langkah K Means Clustering

Metode pengelompokkan K Means pada dasarnya melakukan dua proses yakni

tiap-21

tiap cluster dan proses pencarian anggota dari tiap-tiap cluster. Proses Algoritma

K Means sebagai berikut :

1. Tentukan K sebagai jumlah cluster yang ingin dibentuk.

2. Bangkitkan K centroid (titik pusat cluster) awal secara random.

3. Hitung jarak setiap data ke masing-masing centroid.

4. Setiap data memilih centroid yang terdekat.

5. Tentukan posisi centroid baru dengan cara menghitung nilai rata-rata

dari data-data yang terletak pada centroid yang sama.

6. Kembali ke langkah 3 jika posisi centroid baru kurang dari centroids

lama.

Berdasarkan cara kerjanya Algoritma K Means memiliki karakteristik sebagai

berikut :

1. K Means sangat cepat dalam proses clustering.

2. K Means sangat sensitif dalam proses pembangkitan centroid awal secara random.

3. Memungkinkan suatu cluster tidak mempunyai anggota.

4. Hasil clustering dengan K Means bersifat tidak unik.

Proses pengelompokkan data ke dalam suatu cluster dapat dilakukan dengan cara

menghitung jarak terdekat dari suatu data ke sebuah titik centroid. Rumus untuk

menghitung jarak tersebut menggunakan euclidean matrix:

(2.3)

22

g = 2, untuk menghitung jarak euclidean

xi , xj adalah dua buah data yang akan dihitung jaraknya

p = dimensi dari sebuah data

Pembaharuan suatu titik centroid dapat dilakukan dengan rumus berikut:

(2.4)

dimana:

µk = titik centroid dari cluster ke-K

Nk = banyaknya data pada cluster ke-K

xq = data ke-q pada cluster ke-K

2.2.2 Hierarchical Clustering

Metode agglomerative hierarchical clustering adalah metode yang

menggunakan strategi disain bottom-up yang dimulai dengan meletakkan setiap

obyek sebagai sebuah cluster tersendiri (atomic cluster) dan selanjutnya

menggabungkan atomic cluster – atomic cluster tersebut menjadi cluster yang

lebih besar dan lebih besar lagi sampai akhirnya semua obyek menyatu dalam

sebuah cluster atau proses berhenti jika telah mencapai batasan kondisi tertentu

(Arai ,2007).

Sebelum dibentuknya sebuah cluster perlu melalui langkah menghitung

23

banyak digunakan adalah dengan perhitungan euclidean distance. Euclidean

distance sendiri adalah:

√ | | | | | | | | (2.5)

dapat disederhanakan dengan:

√∑ (2.6)

Keterangan:

 adalah jumlah atribut atau dimensi

 dan adalah data

Hierarchical clustering memiliki beberapa cara untuk perhitungan jarak

antar cluster, di antaranya adalah single linkage, average linkage, dan complete

linkage. Berikut ini adalah pendevinisian perhitungan jarak dengan cara single linkage:

Perhitungan dengan teknik single linkage adalah untuk mencari jarak minimum

antar cluster. Dengan single linkage jarak antara dua cluster didevinisikan sebagai

berikut:

(2.7)

Keterangan:

adalah jarak antara data dan y dari masing-masing cluster A dan B.

Berdasarkan perhitungan rumus di atas akan didapatkan jarak antar cluster. Jarak

minimum antar data yang ditemukan pertama akan menjadi cluster yang pertama.

Perhitungan selanjutnya juga akan dilakukan untuk pembentukan cluster selanjutnya. Berdasarkan hasil perhitungan akan diperoleh dendrogram.

24

J

a

r

a

k

0 1 2

0,5 1,5

a b c e d f D a t a

Gambar 2.4 Dendrogram

Penggunaan metode hierarchical clustering untuk mengelompokkan n

obyek data adalah sebagai berikut : 1. Hitung Matrik Jarak antar data.

2. Ulangi langkah 3 dan 4 higga hanya satu kelompok yang tersisa.

3. Gabungkan dua kelompok terdekat berdasarkan parameter kedekatan yang ditentukan.

4. Perbarui Matrik Jarak antar data untuk merepresentasikan kedekatan di antara kelompok baru dan kelompok yang masih tersisa.

5. Selesai.

Sebagai contoh, terdapat beberapa data yang dapat dilihat pada tabel 2.4 di

bawah ini. Data akan dibentuk dengan menggunakan hierarchical clustering

dengan perhitungan kemiripan obyek data menggunakan euclidean distance dan

25

Tabel 2.4Contoh Data Perhitungan hierarchical clustering

Data X Y A 1 1 B 4 1 C 1 2 D 3 4 E 5 4

Dihitung dengan euclidean distance setiap obyek data tersebut dihitung

jaraknya sebagai berikut:

√ | | | |

√ | | | |

√ | | | |

√ | | | |

√ | | | |

√ | | | |

√ | | | |

√ | | | |

√ | | | |

√ | | | |

Berdasarkan perhitungan tersebut dapat dibentuk matriks jarak seperti seperti pada tabel 2.5.

26 Tabel 2.5 Matriks jarak

A B C D E

a 0 3 1 3.61 5

b 3 0 3.16 3.16 3.16

c 1 3.16 0 2.83 4.47

d 3.61 3.16 2.83 0 2

e 5 3.16 4.47 2 0

 Single linkage

Selanjutnya dari tabel 2.5 dapat dilihat jarak obyek data yang paling dekat,

yaitu a dan c, berjarak 1. Kedua obyek data ini menjadi satu cluster pertama.

Kemudian untuk menemukan cluster berikutnya dicari jarak antar obyek data dari

sisa yang ada (b, d, e) dan berada paling dekat dengan cluster (ac). Untuk

pencarian jarak ini pertama digunakan single linkage.







Kemudian baris-baris dan kolom-kolom matriks jarak yang bersesuaian

dengan cluster a dan c dihapus dan ditambahkan baris dan kolom untuk cluster

27

Tabel 2.6Matriks Jarak Pertama singlelinkage

Ac B d E

Ac 0 3 2.83 4.47

B 0 3.16 3.16

D 0 2

E 0

Berdasar pada matriks jarak kedua (Tabel 2.6), dipilih kembali jarak

terdekat antar cluster. Ditemukan cluster (de) yang paling dekat, yaitu bernilai 2.

Kemudian dihitung jarak dengan cluster yang tersisa, (ac), dan b.





Kemudian baris-baris dan kolom-kolom matriks jarak yang bersesuaian

dengan cluster d dan e dihapus dan ditambahkan baris dan kolom untuk cluster

(de), sehingga matriks jarak menjadi seperti berikut ini:

Tabel 2.7 Matriks Jarak Kedua singlelinkage

Ac b De

Ac 0 3 2.83

B 0 3.16

28 Berdasar pada matriks jarak ketiga (Tabel 2.7), dipilih kembali jarak

terdekat antar cluster. Ditemukan cluster (acde) yang paling dekat, yaitu bernilai

2.83. Kemudian dihitung jarak dengan cluster yang tersisa, yaitu b.

 Langkah selanjutnya yaitu menghapus dan menambahkan baris dan kolom

untuk cluster (acde) baris-baris dan kolom-kolom matriks jarak yang bersesuaian

dengan cluster (ac) dan (de), sehingga matriks jarak menjadi seperti berikut ini:

Tabel 2.8 Matriks Jarak Ketiga singlelinkage

acde B

Acde 0 3

B 0

Proses iterasi perhitungan jarak untuk pembentukan cluster sudah slesai

karena cluster sudah tersisa satu. Jadi cluster (acde) dan (b) digabung menjadi

satu, yaitu cluster (acdeb) dengan jarak terdekat adalah 3. Berikut ini adalah hasil

29

Gambar 2.5Dendrogram singlelinkage untuk 5 obyek data

2.3 Hierarchical K Means

Menurut eksperimen yang telah dilakukan, metode K Means sudah

digunakan untuk metode pengelompokan data set. Hal itu dapat dibuktikan dengan prosentase eror yang minimal, namun seiring berjalannya waktu,

eksperimen tentang clustering lebih berkembang dengan adanya metode

Hierarichal K Means yang dapat menentukan centroid awal yang akan

digunakan untuk clustering pada metode K Means. Ternyata metode

Hierarichal K Means dapat mengatasi pemilihan centroid secara random yang memikiki tingkat eror lebih besar dan dalam penggunannya dianggap kurang praktis karena harus melakukan beberapa eksperimen dalam menentukan

centroid awal yang tepat. Harapannya dengan diterapkan Hierarichal K Means

dapat meningkatkan akurasi dan menurunkan prosentasi erornya, disebutkan

dalam penelitian, ternyata eror pada metode K Means dengan centroid

random sebesar 32.5236%, sedangkan dengan metode Hierarichal K Means erornya dapat diminimalisir menjadi 29.7753% (Arai ,2007).

30 Berikut adalah langkah dalam menentukan centoid awal dengan menggunakan hierarchicalK Means :

1. Set X ={xi | i =1, ..., r} i setiap data A, dimana A {ai | i= 1, ..., n} dengan

n-dimensi vektor.

2. Set K sebagai jumlah _ cluster yang telah ditetapkan.

3. Tentukan p sebagai banyaknya perhitungan

4. Set i = 1 sebagai counter awal

5. Terapkan algoritma K Means.

6. Catat hasil centroid hasil Clustering sebagai Ci = {ij | j = 1, ..., K}

7. Tambahkan i = i + 1

8. Ulangi dari langkah 5 saat i <p.

9. Asumsikan C = {Ci | i = 1, ..., p} sebagai satu set data baru, dengan K

sebagai nomor _ cluster yang telah ditetapkan

10.Terapkan algoritma hirarki (singlelinkage)

11.Catat hasil centroid Clustering sebagai D = {di | i = 1, ..., K}

Langkah berikutnya adalah menerapkan D = {di | i = 1, ..., K} sebagai pusat klaster awal untuk K Means. Penggunaan algoritma hirarki untuk

menemukan centroid awal dipilih single linkage, karena single linkage

penerapannya mudah selain itu ternyata tidak ada perbedaan signifikan

dibandingkan dengan average maupun completelinkage (Arai, 2007).

2.3. Evaluasi

Berkaitan dengan evaluasi yang digunakan pada penelitian ini, digunakan dua jenis evaluasi. Evaluasi yang digunakan adalah evaluasi internal dan

31 eksternal. Evaluasi yang pertama adalah evaluasi internal sistem, dimana

berfungsi untuk mengukur kinerja K Means clustering ini menggunakan Sum

Square Erorr (SSE). Evaluasi bertujuan untuk menilai kualitas cluster yang dibuat. Kinerja sistem yang dievaluasi dengan menghitung nilai akurasi, dari perhitungan akurasi akan diketahui sejauh mana metode K Means dapat mengelompokkan dokumen apa topik artikel Berbahasa Jawa. Semakin kecil nilai

SSE semakin baik hasil cluster yang dibuat.

∑ ∑ || || (2.8)

Keterangan:

 adalah jarak data di indeks

 adalah rata-rata semua jarak data di cluster

Evaluasi yang diterapkan berikutnya adalah evaluasi yang berkaitan dengan eksternal sistem, yaitu mengukur akurasi dari pengelompokkan dokumen hasil dari internal evaluasi. Langkah yang dilakukan adalah membandingkan

setiap anggota cluster dengan manual pengelompokkan yang sudah dibuat, dalam

hal ini sudah ditentukan pembagian cluster dokumen berdasarkan topik (ekonomi, kesehatan, dan pendidikan), dimana masing-masing kelompok beranggotakan 25 dokumen. Metode pengukuran akurasi eksternal yang digunakan adalah confussion matrix. Tabel matriks konfusi merupakan tabel yang digunakan untuk

menghitung tingkat akurasi setiap cluster, dimana setiap anggota cluster

dibandingkan dengan anggota cluster yang ideal (Prasetyo E, 2012).

32

3.

BAB III

METODOLOGI PENELITIAN

Berdasar pada landasan teori yang telah disampaikan pada bab kedua di atas, pada bab ini akan membahas metodologi yang akan digunakan pada skripsi ini. Bab ini berisi diagram blok, data, tatap muka pengguna dan evaluasi.

3.1 Data

Data yang digunakan adalah artikel yang bersumber dari majalah berbahasa Jawa Mekarsari, Praba, dan Djaka Lodhang yang terlebih dahulu diubah menjadi dokumen berekstensi .txt . Data yang digunakan berjumlah 75 dokumen, dengan jumlah kata unik yang digunakan 2.358 kata.

3.1.1 Jenis Data

Jenis data yang diambil adalah artikel dari majalah Djaka Lodhang, Praba,

dan Mekarsari diubah ke bentuk dokumen berkestensi .txt. Data yang dipilih,

berasal dari tiga kelompok, yaitu pendidikan, kesehatan, dan ekonomi.

3.2 Teknik Analisis Data

Secara umum, sistem yang akan dibangun dalam penelitian ini adalah sebuah sistem dengan fungsi utama untuk melakukan pengelompokan dokumen berbahasa Jawa. Dokumen yang akan dikelompokkan adalah artikel yang diambil dari majalah berbahasa Jawa yaitu Djaka Lodhang, Praba, dan Mekarsari. Proses

pengelompokan yang digunakan pada sistem ini adalah metode Hierarchical K

Means. Praktiknya, dokumen-dokumen yang akan dikelompokkan dijadikan

33

diproses oleh sistem melalui proses tokenizing, stemming, indexing, pembobotan,

clustering, percobaan, dan evaluasi. Proses-proses tersebut dapat dilihat pada Gambar 3.1 .

Gambar 3.1Diagram Block Proses Clustering.

Pada Gambar 3.1 dapat diketahui terdapat input data kemudian

dilakukan text operation. Pada proses tersebut didapat dari proses

tokenizing untuk memisah kata atau terms kemudian dilakukan

normalisasi dengan melakukan stopword, stemming, dan pembobotan

data model. Langkah berikutnya adalah dengan melakukan

pengelompokan dengan metode K Means untuk mendapatkan himpunan centroid, dimana proses menghitung jarak dokumen dengan centroid

dilakukan menggunakan euclidean distance. Setelah mendapatkan hasil

Input Data Tokenizing Stemming StopWord Indexing IR Hierarchical (Single Linkage) K Means K Means Hiearchical Kmeans Hasil Cluster Output SSE Akurasi Confusion Matrix

34 himpunan centroid, langkah selanjutnya adalah melakukan langkah hierarchical single linkage untuk mendapatkan centroid baru sejumlah tiga buah (di rata-rata). Hal ini dilakukan untuk mendapatkan centroid lebih tepat dibandingkan pemilihan centroid random. Langkah berikutnya yaitu memproses pengelompokan dengan metode K Means dengan

centroid baru. Hasil dari K Means clustering dievaluasi dengan SSE guna

mendapatkan error minimum dan menemukan pembagian cluster yang

baik. SSE yang minimum akan membantu dalam dalam mengevaluasi eksternal sistem, yaitu dengan menguji pengelompokan anggota kelompok dari sistem yang kemudian dibandingkan dengan manual cluster, dimana berisi anggota cluster yang ideal.

3.2.1 Text Operation

3.2.1.1 Information Retrieval (Tokenization,Stop Word, Steming, Indexing)

Pada tahap information retrieval dilakukan langkah untuk mencapai calon data

yang akan dikelompokkan. Langkah-langkah yang dilakukan adalah: 1. Tokenization

Proses yang dilakukan pada tahap ini adalah memenggal kata-kata yang ada pada dokumen menjadi kata-kata yang berdiri sendiri.

2. Stop Word

Proses yang dilakukan pada tahap ini adalah menghilangkan kata yang tidak memiliki makna (misal: kata hubung dan kata depan), pada tahap ini

35

juga diterapkan Zipf Distrubution untuk menemukan range frekuensi kata

yang optimum untuk menemukan key word dari suatu dokumen.

3. Steming

Pada tahap ini setiap hasil kata yang sudah tereduksi dari proses stop word

dilakukan penghapusan kata menjadi kata dasar yang kemudia dicocokkan ke kamus untuk menghasilkan kata unik.

4. Indexing

Pada tahap ini setiap kata unik diberi bobot kata dengan menggunakan

rumus weighting (tf.idf) seperti yang sudah dijelaskan di bab sebelumnya.

Gambar 3.2Pembobotan tf-idf

Tabel 3.1 Pembobotan

PEMBOBOTAN IDF TF IDF w=tf*idf

Pergok 1 1,77815125 1,77815125

Wong 1 1,77815125 1,77815125

Nandhang 1 1,77815125 1,77815125

Racun 2 1,477121255 1,477121255

Dhahar 2 1,477121255 2,954242509

*log yang digunakan basis 10

36 wong: tf = 1; idf = log(60/1) = 1,77815125; W = 1,77815125 nandhang: tf = 1; idf = log(60/1) = 1,77815125; W = 1,77815125 kemudian hasil pembobotan kata pada dokumen disimpan pada matriks calonData sebagai berikut:

c

dimana w merupakan bobot dari term i sepanjang jumlah kata unik (horizontal) dan yang vertikal sepanjang/sejumlah dokumen.

3.2.1.2 K Means (pertama)

Langkah setelah dilakukannya pembobotan adalah melakukan

pengelompokan, pengelompokan yang digunakan adalah

menggunakan K Means untuk mendapatkan himpunan centroid. Hal

ini diawali dengan memilih centroid awal = 3 centroid, dipilih tiga

centroid dikarenakan sudah dibatasi dengan pengelompokan topik

yang diasumsikan menjadi tiga kelompok/cluster, yaitu ekonomi,

kesehatan, dan pendidikan. K Means ini dilakukan sebanyak jumlah

computation/jumlah dilakukannya metode K Means (c=3), computation 1 menghasilkan tiga centroid random yang

digunakan{c1,c3,c5}, computation 2 menghasilkan tiga centroid

random yang digunakan {c1,c4,c5}, dan computation 3 menghasilkan

tiga centroidrandom yang digunakan ={c2,c4,c6}. Berdasarkan proses

37

Kemudian dilanjutkan dengan menghitung euclidean distance untuk

menghitung jarak masing-masing centroid ke setiap dokumen.

 Contoh menghitung euclidean distance dari dokumen 1 ke

dokumen 1 dan dokumen 1 ke dokumen 2:

Tabel 3.2 Perhitungan Jarak antara Dokumen dengan Centroid

Pergok(w) Sum

doc1 1,778151 1,778151

doc2 0 0

Lakukan untuk semua himpunan centroid dan kemudian lanjutkan dengan proses hierarchical single linkage.

W2 sum

doc1 3,161822 3,161822

doc2 0 0

wdc1 Sum

doc1 3,161822 3,161822

doc2 0 0

1 3,161822 x 3,161822 3,161822 _   

q

d

q

d

j j









0 0 x 3,161822 0    

q

d

q

d

j j









38 3.2.1.3 Hierarchical Centroid awal

Himpunan centroid yang diperoleh dari langkah sebelumnya digunakan

dalam proses hierarchical single linkage. Hal pertama yang dilakukan adalah

menghitung jarak minimum antar centroid dengan rumus:

(3.1) Langkah berikutnya yaitu menggabungkan dua kelompok terdekat berdasarkan jaraknya.

Gambar 3.3 Langkah Menghitung Jarak Minimum pada single linkage

Langkah berikutnya yaitu memperbarui matrik jarak antar data untuk merepresentasikan kedekatan di antara kelompok baru dan kelompok yang masih tersisa.

39 Gambar 3.4 Langkah Menghitung Menggabungkan Kelompok yang

Berdekatan

Berdasarkan proses menggabungkan kelompok terdekat yang sudah dilakukan didapatkah dendrogram sebagai berikut:

40 Tahap ini bertujuan untuk mendapatkan tiga buah cluster, maka bisa dipotong pada dendogram, sehingga diperoleh pusat cluster sebagai berikut:

Tabel 3.3 Hasil Himpunan Cluster Berdasarkan Pemotongan

Langkah di atas merupakan langkah pemilihan centroid dari himpundan centroid

hasil single linkage.Centroid yang dipilih adalah:

C1 adalah rata-rata dari feature dari indeks 1 dan 2 C2 adalah rata-rata dari feature dari indeks 3,4, dan 5

C3 adalah rata-rata dari feature dari indeks 6 (dapat langsung diambil indeks 6).

3.2.1.4 K Means (kedua)

Langkah ini memerlukan centroid baru yang didapat dari proses sebelumnya, maka ditentukan centroid baru sebagai berikut: c1, c2, dan c3.

Gunakan rumus euclidean distance untuk menghitung jarah terdekat dokumen

dengan centroid awal, misa dokumen 1 dan 2 dari centroid 1(dokumen1)

c1 c2 c3

Ab Cde f

1,2 3,4,5 6

1 3,161822 x 3,161822 3,161822 _   

q

d

q

d

j j









0 0 x 3,161822 0 _   

q

d

q

d

j j









41 Tabel 3.4 Hasil iterasi K Means yang Sudah Stabil

Lakukan langkah K Means sampai anggota setiap centroid tidak terjadi peubahan,

dan ternyata iterasi berhenti di iterasi 1 (2 kali iterasi), sehingga didapatkan

pengelompokan dengan anggota cluster sebagai berikut:

Kelompok 1 : doc 1 dan 2 Kelompok 2 : doc 3,4, dan 5 Kelompok 3 : doc 6

3.2.1.5 Output

Output yang diharapkan pada penelitian ini adalah menampilkan pembagian

cluster, sehingga secara visual dapat dilihat hasil pembagian cluster-nya

3.2.1.6 Penghitungan Evaluasi

Penelitian ini menggunakan beberapa prosedur uji coba, di antaranya

variasi jenis range kata unik yang digunakan dan variasi computation(c) yang

merupakan jumlah dilakukan K Means pertama. Berdasarkan prosedur uji coba di

-42

nya. SSE dengan nilai yang paling rendah mengindikasikan bahwa cluster yang

terbentuk adalah yang paling baik. Nilai SSE terkecil dipilih sebagai pedoman pengukuran akurasi eksternal sistem, yaitu pencocokan hasil pengelompokan dokumen dengan dokumen yang sebenarnya. Pada pengujian eksternal sistem ini

dapat digunakan confussion matrix sebagai metodenya.

3.3 Desain User Interface

Gambar 3.6 Tampilan Menu Utama

3.4 Spesifikasi Software dan Hardware

Untuk proses membuat sistem dan data digunakan software dan hardware

sebagai berikut : 1. Software

a) Sistem Operasi : Windows 7 Ultimate 32-bit

b) Bahasa Pemprograman : Matlab version 8.0.0.783 (R2012b)

2. Hardware

a) Processor : Intel(R) Core(TM) i5-2430M CPU @ 2.40GHz

b) Memory : 2 GB

c) Hardisk : 500 GB

button

button

Tabel Hasil

Pengujian

akurasi

43

4.

BAB IV

IMPLEMENTASI DAN ANALISIS HASIL

Berdasarkan metodologi yang dijelaskan pada bab sebelumnya, maka penelitian ini dapat diimplementasikan dengan langkah-langkah sebagai berikut: 4.1 Implementasi

Implementasi yang diterapkan pada bab ini merupakan penerapan metodologi yang telah dipaparkan pada bab sebelumnya. Implementasi mencakup

proses information retrieval, pengelompokan data dengan hierarchical K Means,

hinga pengukuran akurasi dari sistem dengan menggunakan SSE dan confussion

matrix. Pada tahap selanjutnya diimplementasi dengan ujicoba dan kemudian

dianalisis. Analisis implementasi meliputi user interface dan pengolahan data.

4.1.1 User Interface

Pembuatan user interface sistem pengelompokan artikel berbahasa Jawa

menggunakan sarana yang diberikan oleh Matlab version 8.0.0.783 (R2012b).

Desain user interface yang telah dipaparkan pada bab sebelumnya

diimplementasikan dan digunakan sebagai sarana untuk melakukan text operation

sampai untuk mengetahui akurasi dari pengelompokan data dengan Hierarchical

K Means. Sistem dapat langsung menampilkan hasil keseluruhan proses. User interface tersimpan dengan file yang bernama GUI.m dan GUI.fig (lampiran 1 dan 2). Gambar 4.1 dan 4.2 adalah contoh tampilan keseluruhan sistem yang telah dibentuk.

44

Gambar 4.1 Implementasi User Interface Awal (sebelum proses dilakukan)

Gambar 4.2 Implementasi User Interface (setelah dilakukan proses)

Berdasarkan gambar di atas dapat dilihat bahwa pengguna hanya perlu

menekan button Preprocessing untuk menghasilkan calon data yang siap untuk

dilakukan proses pengelompokan. Proses pengelompokan dilakukan setelah

pengguna menekan button Proses, setelah button Proses ditekan, maka akan

45 internal maupun eksternal. Berikut adalah penjelasan lebih lengkapnya mengenai user interface yang dibuat:

 Proses input data sengaja tidak ditampilkan pada user interface karena

data yang digunakan sudah tetap dan menempel pada code program.

Pengguna cukup untuk menekan button preprocessing untuk melakukan

information retrieval pada dokumen dan button proses untuk melakukan proses pengelompokan. Pengguna juga dapat mengetahui proses dari sistem melalui informasi teks iterasi dan melalui message yang memberikan informasi bahwa suatu proses telah dilakukan, dapat dilihat di gambar 4.3 di bawah.

Gambar 4.3 Button Preprocessing dan Button Proses

 Hasil proses yang ditampilkan pada sistem ini adalah:

1. Hasil stemming berupa kata unik.

Panel ini berfungsi untuk menampilkan hasil dari yang berupa kata

unik dari seluruh dokumen berdasarkan hasil stemming yang telah

dilakukan dan diurutkan sesuai abjad. Seperti yang dilihat pada gambar 4.4, kolom A menampilkan frekuensi/jumlah dari kata di indeks i, sedangkan kolom Bb menampilkan kata uniknya.

46 Gambar 4.4 Hasil Kata Unik

2. Hasil dari pengelompokan yang terbaik (nilai SSE minimum)

Panel ini berfungsi untuk menampilkan hasil dari pengelompokan terbaik, terbaik di sini berarti memiliki SSE yang minimum. Karena setiap

proses diuji dengan range dan computation yang berbeda (masing-masing

ada dua jenis) sehingga mengasilkan empat buah indeks yang menyatakan hasil pengelompokan (lihat gambar 4.5). Hasil yang memiliki pengelompokan terbaik ditandai dengan warna untuk memudahkan pengguna. Secara berurutan, labek yang terdapat pada tabel hasil percobaan dijelaskan sebagai berikut:

 Iterasi merupakan jumlah computation, yaitu berapa kali

iterasi proses K Means dilakukan (digunakan 2 dan 4).

 CutTF_0 adalah batas bawah dari jumlah frekuensi kata

47

 CutTF_1 adalah batas atas dari jumlah frekuensi kata unik

yang digunakan (ditentukan batas atas 90 dan 150).

 SSE merupakan hasil evaluasi internal dari

pengelompokkan yang dilakukan.

 Cls1 merupakan jumlah dari anggota kelompok 1, begitu

pula dengan Cls2 dan Cls3 yang merupakan jumlah anggota dari kelompok 2 dan 3.

Gambar 4.5 Hasil Pengelompokan Terbaik

3. Hasil dari pembagian anggota cluster yang terbaik

Data dokumen dipetakan berdasarkan pengelompokannya. Pada user interface ini digunakan tabel yang menampung pembagian cluster data awal dengan tabel(lihat gambar 4.6) . Harapannya pengguna dapat dengan mudah mengetahui identitas cluster dari tiap dokumen berdasarkan visualisasinya.

48

Gambar 4.6 Anggota Cluster dari Pengelompokan Terbaik

4. Centroid terbaik yang digunakan

Centroid terbaik juga ditampilkan agar pengguna bisa mengetahui centroid yang didapat dari hasil single linkage. Gambar 4.7

menampilkan centroid dengan visualisasi tabel yang berisi tiga buah

titik pusat/centroid dimana memiliki feature sepanjang kata unik yang

digunakan untuk proses pengelompokan.

49

5. Hasil dendrogram dari pemilihan himpunan centroid terbaik

Hasil dendrogram dapat memvisualisasikan himpunan centroid

hasil dari proses K Means (lihatt gambar 4.8). Apabila digambarkan

melalui grafik koornidat (x,y), maka koordinat axis (x) berisi

pemetaan indeks dari centroid dan y adalah jarak dari tiap centroid.

Pertemuan antara garis dendrogram membantu secara visual mengenali dendrogram itu baik atau tidak. Dendrogram yang baik adalah seimbang apabila dilihat secara visual, maka dengan melihatnya saja dapat mengetahui centroid yang dipilih baik atau tidak.

Gambar 4.8 Hasil Himpunan Centroid yang Divisualisasikan dengan

Dendrogram

6. Akurasi berdasarkan pengelompokan terbaik

Panel akurasi dapat dilihat pada gambar 4.9, panel ini berfungsi untuk menampilkan hasil dari evaluasi pengelompokan dokumen secara eksternal yang dinyatakan dalam skala prosentase

50 7. Message Informasi

Message Box (lihat gambar 4.10) merupakan feedback dari suatu aksi yang dilakukan pengguna, aksi yang dilakukan adalah menekan button proses dan button preprocessing. Message box membantu pengguna dalam mengetahui suatu proses yang dilakukan sistem.

Gambar 4.10 Peringatan/Informasi dari Aksi Menekan Button Preprocessing

dan Proses 4.1.2 Pengolahan Data

Data yang digunakan adalah artikel yang bersumber dari majalah berbahasa Jawa Mekarsari, Praba, dan Djaka Lodhang yang terlebih dahulu diubah menjadi dokumen berekstensi .txt . Data yang digunakan berjumlah 75 dokumen. Data yang diambil dibagi menjadi tiga kelompok yang diasumsikan memiliki topik yang bervarisasi. Berikut adalah gambaran data yang digunakan (lihat gambar 4.11 dan 4.12) :

51 Gambar 4.11 Jumlah Data Dokumen yang Digunakan

125

Term Frek Term Frek Term Frek

prakosa 1 sadhar 1 shalat 1

prapat 1 sadulur 1 sila 1

prayitna 1 sae 1 sileg 1

prigel 1 saget 1 silep 1

pringgo 1 sahabat 1 silih 1

prinsip 1 salep 1 simplikasi 1

priyan 1 sanes 1 simulasi 1

profesional 1 sanga 1 sipil 1

pundi 1 sanget 1 sira 1

puput 1 sanggan 1 sirep 1

purba 1 saning 1 sisan 1

purih 1 sanja 1 sisir 1

purwanto 1 santhet 1 siti 1

purwodadi 1 santun 1 sokur 1

purwokerto 1 sarampung 1 sore 1

pusing 1 sareh 1 spirit 1

puspa 1 sareng 1 sponsor 1

putu 1 sareyan 1 srakat 1

quran 1 saring 1 stir 1

radita 1 saru 1 stres 1

rajin 1 sarung 1 study 1

rakaditu 1 satria 1 suara 1

ral 1 satriya 1 sudarinto 1

rama 1 saur 1 sudi 1

ramal 1 segala 1 sudiyatmono 1

ran 1 segara 1 sugata 1

rangke 1 segoro 1 sukisno 1

rantas 1 seka 1 suliantoro 1

ratih 1 sekar 1 suluh 1

rebo 1 sekretariat 1 sumadiyasa 1

sumarni 1 tuhu 1 wisata 1

sumelang 1 tukar 1 wisatawan 1

surya 1 tukul 1 wisik 1

suwargi 1 tumor 1 wulet 1

suwarno 1 tunggang 1 wuruk 1

suwung 1 tunggu 1 yahudi 1

suyamsih 1 tuntas 1 yayasan 1

126

Term Frek Term Frek Term Frek

syukur 1 tutug 1 ziarah 1

tahrim 1 tutur 1

tala 1 tuwas 1

tamtu 1 tuwo 1

tanduk 1 ubal 1

tanggel 1 ujung 1

tanggenah 1 ulet 1

tanggungjawab 1 ulung 1

tanggungjawabe 1 ulur 1

tar 1 umar 1

tatakrama 1 umat 1

tawang 1 umiyati 1

tawar 1 underan 1

tega 1 undher 1

tegas 1 ungguh 1

tekat 1 untuk 1

tekun 1 unyik 1

teladan 1 upus 1

telah 1 urmat 1

templek 1 uteg 1

tenger 1 uthuk 1

tentang 1 uyuh 1

tera 1 virginia 1

teraphy 1 vital 1

terima 1 wadah 1

thailand 1 wadi 1

thil 1 wairagya 1

tindhak 1 walik 1

titah 1 wanda 1

titip 1 warsito 1

tleram 1 wasita 1

tlusur 1 wawan 1

tombak 1 wekdal 1

topik 1 weke 1

toyota 1 welut 1

trane 1 wenang 1

127

Term Frek Term Frek

trauma 1 wibawa 1

triharjo 1 widagda 1

triharjun 1 wigih 1

trirenggo 1 wijik 1

tubruk 1 wingking 1

9. Kata Unik dengan Frekuensi 20-130 (236 kata)

Term Frek Term Frek Term Frek

lara 130 rasa 59 dhidhik 44

obat 103 urip 59 laku 44

rega 97 manawa 58 teka 44

negara 95 alam 57 usaha 44

rp 89 pabrik 57 atur 43

sekolah 80 wujud 57 budidaya 43

butuh 77 babag 54 jeneng 43

dening 77 tulis 54 jroning 43

kurang 76 jinis 52 kasil 43

masarakat 74 murid 52 tuwuh 43

ekonomi 73 tampa 52 asil 42

guru 73 papan 51 dhuwur 42

banyu 71 dhuwit 50 kandhut 42

becik 71 sleman 50 klebu 42

indonesia 70 teges 49 turut 42

jaba 68 gampang 48 ngerti 41

putra 68 lenga 48 tani 41

menyang 66 tetep 48 wanita 41

barang 65 seneng 47 daya 40

tuwa 64 tambah 47 jepang 40

dina 63 nane 46 pamulang 40

tandur 63 sinau 46 taman 40

gedhe 62 siswa 46 umur 40

temu 60 cilik 45 lair 39

perlu 59 siji 45 ligi 39

sri 39 desa 33 undhak 30

suwe 39 golek 33 undhang 30

wulang 39 kewan 33 bangsa 29

basa 38 lebu 33 bangun 29

128

Term Frek Term Frek Term Frek

jare 38 suda 33 dol 29

kutha 38 donya 32 jakarta 29

warna 38 gelem 32 tinggi 29

anyar 37 ibu 32 tuku 29

perintah 37 loro 32 kahanan 28

sambung 37 pengin 32 murih 28

unjuk 37 sasi 32 rana 28

yogyakarta 37 tau 32 tenan 28

gula 36 bantul 31 tengah 28

kasarasan 36 kira 31 urus 28

anak 35 nyata 31 ara 27

ati 35 omah 31 kaji 27

angel 34 pulo 31 kandha 27

anggep 34 bali 30 kartu 27

bahan 34 mendhong 30 rata 27

dhudhuk 34 mundhak 30 umum 27

kulit 34 pak 30 woh 27

pangan 34 pasar 30 ahli 26

sawiji 34 pos 30 dagang 26

thithik 34 udud 30 jaga 26

jupuk 26 nandhang 22 kelas 20

katon 26 salah 22 kerja 20

maca 26 zat 22 koperasi 20

mahasiswa 26 aneh 21 krasa 20

mari 26 bukti 21 maju 20

mati 26 dhahar 21 melu 20

reiki 26 entuk 21 modhel 20

sumber 26 ingkang 21 pratela 20

tela 26 kaum 21 sarana 20

wigati 26 kayata 21 tang 20

kecamatan 25 lakon 21 tuli 20

kkn 25 paring 21 program 24

nate 25 resik 21 rumangsa 24

129

Term Frek Term Frek Term Frek

tamba 25 weneh 21 serikat 24

telu 25 antuk 20 tanggal 24

tingkat 25 bantu 20 baku 23

warga 25 buku 20 biyantu 23

asal 24 dhasar 20 dhaerah 23

gunung 24 ganggu 20 ketaman 23

isi 24 jam 20 kualitas 23

kono 24 jaman 20 lumrah 23

mono 24 kantor 20 merga 23

paling 24 kaping 20 nadyan 23

pisan 24 karep 20 sok 23

amrih 22

bayi 22

budi 22

campur 22

dhokter 22

enggal 22

jero 22

karya 22

lulus 22

mangsa 22

manut 22

10.Kata Unik dengan Frekuensi 70-90 (11 kata)

Term Frek

Rp 89

sekolah 80

butuh 77

dening 77

kurang 76

masarakat 74 ekonomi 73

guru 73

banyu 71

becik 71

130 11.Kata Unik dengan Frekuensi 50-150 (40 kata)

Term Frek Term Frek Term Frek

bocah 148 perlu 59 indonesia 70

Lara 130 rasa 59 jaba 68

Obat 103 urip 59 putra 68

Rega 97 manawa 58 menyang 66

negara 95 alam 57 barang 65

Rp 89 pabrik 57 tuwa 64

sekolah 80 wujud 57 dina 63

butuh 77 babag 54 tandur 63

dening 77 tulis 54 gedhe 62

kurang 76 jinis 52 temu 60

masarakat 74 murid 52

ekonomi 73 tampa 52

Guru 73 papan 51

banyu 71 dhuwit 50

Becik 71 sleman 50

12.Kata Unik dengan Frekuensi 75-85 (4 kata)

Term Frek

sekolah 80

Butuh 77

dening 77 kurang 76