Pendekatan Text Mining untuk Klasterisasi Tren Penelitian dengan Algoritma Unsupervised Learning K-Means
DOI:
https://doi.org/10.26418/jp.v11i3.100755Keywords:
Penelitian, Klasterisasi, Tren, K-Means, Text MiningAbstract
Jumlah publikasi ilmiah Indonesia meningkat signifikan pada 2021–2024, menempatkan Indonesia di peringkat 54 dunia dengan 222.455 artikel pada 2024. Sesuai Undang-undang No. 12 Tahun 2012, penelitian merupakan bagian dari Tri Dharma yang wajib dipublikasikan oleh dosen dan institusi. Namun, banyaknya publikasi menimbulkan tantangan dalam mengidentifikasi tren dan mengelompokkan topik penelitian. Karena itu, penelitian ini mengembangkan model klasterisasi topik menggunakan pendekatan text mining dengan algoritma K-Means. Metode penelitian ini meliputi pengumpulan data (data collecting) dan persiapan data teks (text pre-processing), text-to-vector (vectorizing), klasterisasi dengan algoritma K-Means (modelling with K-Means) dengan optimalisasi titik centroid awal menggunakan metode Elbow, dan deploy model. Hasil penelitian menunjukan proses klasterisasi terbaik pada saat nilai k berjumlah 11 dengan nilai Silhouette Score 0.0172. Informasi yang dihasilkan dapat memberikan gambaran tren penelitian yang ada saat ini dan melihat potensi kolaborasi penelitian yang dapat dilakukan.References
Kompas, "Peringkat Indonesia Ditargetkan Tembus 50 Besar dalam Global Innovation Index," 2025. [Online]. Available: Peringkat Indonesia Ditargetkan Tembus 50 Besar dalam Global Innovation Index.
Republik Indonesia, Undang-Undang Republik Indonesia Nomor 12 Tahun 2012 Tentang Pendidikan Tinggi, 2012. [Online]. Available: https://jdih.mahkamahagung.go.id/storage/uploads/produk_hukum/file/UU_12_2012.pdf
R. L. Atimi and E. E. Pratama, “Implementasi Model Klasifikasi Sentimen Pada Review Produk Lazada Indonesia,” JSI, vol. 8, no. 1, pp. 88–96, Jul. 2022.
R. Feldman and J. Sanger, The Text Mining Handbook: Advanced Approaches in Analyzing Unstructured Data., Cambridge: Cambridge University Press, 2007.
T. Jo, Text Mining: Concept and Implementation, and Big Data Challenge., Springer, 2019.
E. Kurniawan and H. Nirwana, “Penerapan Algoritma K-Means untuk Melakukan Klasterisasi pada Peringkasan Teks,” JINTEKS, vol. 6, no. 4, pp. 514–520, Aug. 2024.
W. Nengah, W. Utami, and I. G. J. E. Putra, “Text Mining Clustering untuk Pengelompokan Topik Dokumen Penelitian Menggunakan Algoritma K-Means dengan Cosine Similarity,” JINTEKS, vol. 4, no. 3, pp. 255–259, Aug. 2022. DOI: 10.51401/jinteks.v4i3.1907.
Navastara et al., “Clustering Topik Penelitian Berbasis Unsupervised Learning untuk Rekomendasi Koleksi Pustaka di Perpustakaan ITS,” JUTI, vol. 17, no. 2, pp. 125–134, Jul. 2019. DOI: 10.12962/j24068535.v17i2.a788.
F. C. Hayatina, S. H. Wijaya, and M. K. D. Hardhienata, "Pengelompokan Publikasi Ilmiah Berdasarkan Bidang Kepakaran Menggunakan LDA dan Normalized PSO-K-means," Jurnal Ilmu Komputer dan Agri-Informatika, vol. 10, no. 2, pp. 121–132, 2023.
A. Haniefardy, D. Purwitasari, and C. Fatichah, “Ekstraksi Fitur Produktivitas Dinamis berdasarkan Topik Artikel Ilmiah untuk Klasterisasi Peneliti,” Techno.Com, vol. 20, no. 2, pp. 221–231, May 2021.
Meiriza et al., “Perbandingan Algoritma K-Means dan K-Medoids untuk Pengelompokan Program BPJS Ketenagakerjaan,” Indonesian Journal of Computer Science, vol. 12, no. 2, pp. 714–728, 2023.
M. Rodi, Hendrik, A. Bagja, M. N. Wathani, and Z. Amri, “Perbandingan Metode Optimasi Penentuan Sentroid Awal Pada Algoritma K-Means,” JINTEKS, vol. 6, no. 4, pp. 794–801, Nov. 2024.
H. H. Zain, R. M. Awannga, and W. I. Rahayu, “Perbandingan Model SVM, KNN dan Naïve Bayes Untuk Analisis Sentimen Pada Data Twitter,” JIM, vol. 8, no. 3, pp. 2083–2093, Jun. 2023.
D. Iskandar and A. Kurniawati, “Analisis Perbandingan Teknik Word2vec dan Doc2vec dalam Mengukur Kemiripan Dokumen Menggunakan Cosine Similarity,” Jurnal Teknologi Informasi dan Ilmu Komputer, vol. 12, no. 1, pp. 133–144, 2025.
Hayatina, Fina Charisma, Sony Hartono Wijaya, and Medria Kusuma Dewi Hardhienata. "Pengelompokan Publikasi Ilmiah Berdasarkan Bidang Kepakaran Menggunakan Latent Dirichlet Allocation dan Normalized PSO-K-means." Jurnal Ilmu Komputer dan Agri-Informatika 10.2:121-132, 2023.
Y. Hasan, “Pengukuran Silhouette Score dan Davies-Bouldin Index pada Hasil Cluster K-Means dan DBSCAN,” KAKIFIKOM, pp. 60–74, 2024.
