Komparasi Algoritma K-Means dan Agglomerative Hierarchical untuk Klasterisasi Kalimat dalam Naskah Pidato
DOI:
https://doi.org/10.26418/jp.v11i3.97275Keywords:
Klasterisasi, N-Gram, K-Means, Agglomerative Hierarchical, Davies-Bouldin IndexAbstract
Penyampaian pesan dalam pidato bergantung pada susunan kalimat yang efektif dan bervariasi. Namun, keberagaman struktur kalimat dalam naskah pidato membuat pengelompokan secara manual menjadi kurang efisien. Dengan menggunakan teknik pemrosesan bahasa alami, proses ini dapat dilakukan secara sistematis melalui pendekatan klasterisasi. Studi ini berfokus untuk membandingkan performa algoritma K-Means dan Agglomerative Hierarchical dalam mengelompokkan kalimat pada naskah pidato. Data dikumpulkan dari situs Korpus Nusantara dan Jago Berpidato. Tahapan pre-processing mencakup data cleaning, case folding, stopword removal, tokenisasi, ekstraksi fitur menggunakan TF-IDF dengan parameter N-Gram, serta reduksi dimensi dengan PCA. Evaluasi menggunakan metrik Davies-Bouldin Index (DBI) dan Silhouette Score mengindikasikan bahwa algoritma Agglomerative Hierarchical dengan pendekatan average linkage menghasilkan klasterisasi yang lebih optimal dengan nilai DBI 0.1419 dan Silhouette Score 0.7742. Sebaliknya, algoritma K-Means menghasilkan performa lebih rendah, dengan nilai DBI 0.8551 dan Silhouette Score 0.5557. Selain itu, penggunaan parameter n-gram juga berpengaruh terhadap kualitas klasterisasi. Representasi trigram memberikan hasil terbaik khususnya pada Agglomerative Hierarchical dibandingkan dengan unigram (DBI/Silhouette Score: 0.6934/0.3002) dan bigram (DBI/Silhouette Score: 0.2192/0.6625). Pada penelitian ini, kombinasi Agglomerative Hierarchical dengan representasi fitur trigram terbukti paling efektif dalam mengelompokkan kalimat berdasarkan kemiripan gaya bahasa dalam naskah pidato.References
Azzahra, A., & Wijayanto, A. W. (2022). Perbandingan Agglomerative HIerarchical dan K-Means dalam Pengelompokkan Provinsi Berdasarkan Pelayanan Kesehatan Maternal. Sist. J. Sist. Inf, 11(2), 481–495.
Rozaq, A. (2022). Implementation of K-Means and Agglomerative HIerarchical Methods to House Clusterization. JURNAL MEDIA INFORMATIKA BUDIDARMA, 6(2), 933–942.
Hidayat, R. (2022). Pemanfaatan Data Mining Untuk Melihat Minat Siswa Setelah Menyelesaikan Pendidikan Sekolah Menengah Atas (SMA) Dengan Algoritma K-Means Clustering. Technology and Informatics Insight Journal, 1(2), 136–151.
Pradito, B., & Purnia, D. S. (2022). Komparasi Algoritma Linear Regression Dan Neural Network Untuk Memprediksi Nilai Kurs Mata Uang. EVOLUSI: Jurnal Sains Dan Manajemen, 10(2).
Putra, R. F., Zebua, R. S. Y., Budiman, B., Rahayu, P. W., Bangsa, M. T. A., Zulfadhilah, M., Choirina, P., Wahyudi, F., & Andiyan, A. (2023). Data Mining: Algoritma dan Penerapannya. PT. Sonpedia Publishing Indonesia.
Abdurrahman, G. (2019). Clustering Data Kredit Bank Menggunakan Algoritma Agglomerative HIerarchical Clustering Average Linkage. JUSTINDO (Jurnal Sistem Dan Teknologi Informasi Indonesia), 4(1), 13–20.
Pradnyana, G. A., & ER, N. A. S. (2012). Perancangan Dan Implementasi Automated Document Integration Dengan Menggunakan Algoritma Complete Linkage Agglomerative HIerarchical Clustering. Jurnal Ilmu Komputer, 5(2), 1–10.
Nurhidayat, R., & Dewi, K. E. (2023). Penerapan Algoritma K-Nearest Neighbor Dan Fitur Ekstraksi N-Gram Dalam Analisis Sentimen Berbasis Aspek. Komputa: Jurnal Ilmiah Komputer Dan Informatika, 12(1), 91–100.
Dewi, S., & Pakereng, M. A. I. (2023). Implementasi Principal Component Analysis pada K-Means untuk Klasterisasi Tingkat Pendidikan Penduduk Kabupaten Semarang. JIPI (Jurnal Ilmiah Penelitian Dan Pembelajaran Informatika), 8(4), 1186–1195.
Fatkhudin, A., Khambali, A., Artanto, F. A., & Zade, N. A. P. (2023). Implementasi Algoritma Clustering K-Means Dalam Pengelompokan Mahasiswa. Jurnal Minfo Polgan, 12(1), 777–783.
Darmi, Y. D., & Setiawan, A. (2016). Penerapan metode clustering K-Means dalam pengelompokan penjualan produk. Jurnal Media Infotama, 12(2).
Suhirman, S., & Wintolo, H. (2019). System for Determining Public Health Level Using the Agglomerative Hierarchical Clustering Method. Compiler, 8(1), 95–104.
Dewi, A. F., & Ahadiyah, K. (2022). Agglomerative Hierarchy Clustering Pada Penentuan Kelompok Kabupaten/Kota di Jawa Timur Berdasarkan Indikator Pendidikan. Zeta-Math Journal, 7(2), 57–63.
Umagapi, I. T., Umaternate, B., Hazriani, H., & Yuyun, Y. (2023). Uji Kinerja K-Means Clustering Menggunakan Davies-Bouldin Index Pada Pengelompokan Data Prestasi Siswa. Prosiding SISFOTEK, 7(1), 303–308.
Meiriza, A., & Ali, E. (2023). Perbandingan Algoritma K-Means dan K-Medoids untuk Pengelompokan Program BPJS Ketenagakerjaan. The Indonesian Journal of Computer Science, 12(2).
Agustino, D. P., & Budaya, I. G. B. A. (2023). Evaluasi Performa Segmentasi Pelanggan Tenant Inkubator Bisnis dengan Menggunakan Model Consensus Clustering. Prosiding CORISINDO 2023.
Pramesty, M. H. E., Aprilia, Y. U., Purba, R. B. J., & Athoillah, M. (2023). Optimalisasi Kualitas Pendidikan Provinsi Nusa Tenggara Timur: Klasterisasi Kabupaten Dan Kota Menggunakan Algoritma K-Means Dengan Metode Elbow Dan Shilluette Score. SNHRP, 5, 359–368.
Fitri, E. M., Suryono, R. R., & Wantoro, A. (2023). Klasterisasi Data Penjualan Berdasarkan Wilayah Menggunakan Metode K-Means Pada Pt Xyz. Jurnal Komputasi, 11(2), 157–168.
