CLUSTERING DOKUMEN BERBAHASA INDONESIA MENGGUNAKAN

FUZZY C-MEANS

ISNA MARIAM

DEPARTEMEN ILMU KOMPUTER

FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM
INSTITUT PERTANIAN BOGOR
BOGOR
2011
CLUSTERING DOKUMEN BERBAHASA INDONESIA MENGGUNAKAN
FUZZY C-MEANS

ISNA MARIAM

Skripsi
Sebagai salah satu syarat untuk memperoleh gelar
Sarjana Komputer pada
Departemen Ilmu Komputer

DEPARTEMEN ILMU KOMPUTER

FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM
INSTITUT PERTANIAN BOGOR
BOGOR
2011

ii
 ABSTRACT

ISNA MARIAM. Clustering Indonesian Documents Using Fuzzy C-Means. Supervise by JULIO
ADISANTOSO.
Document clustering enables a user to have a good overall view of the information
contained in the document. Most classical clustering algorithms assign each data to exactly one
cluster, thus forming a crisp partition of the given data. Recently, fuzzy clustering approach allows
for degrees of membership, to which a data belongs to different clusters. Document clustering
aims to make a cluster that is internally coherent but clearly different from other clusters. The
documents that are used in this research are several documents from journal of horticulture and
documents of medical plantations. All documents in the collections are clustered by using fuzzy C-
Means algorithm. Furthermore, in this research threshold is used to weight the words that engage
in the clustering process. The appropriate uses of threshold may give a better accuracy for the
clustering result. The best result in this research is obtained when the threshold value is 1.5 and
fuzzifier value is 2 for the documents from journal of horticulture, whereas for the documents of
medical plantations the best result is obtained when the threshold value is 0.75 and fuzzifier value
is 2.
Keywords : Document Clustering, Fuzzy C-Means Algorithm, Threshold

iii
Judul Penelitian : Clustering Dokumen Berbahasa Indonesia Menggunakan Fuzzy C-Means
Nama : Isna Mariam
NRP : G64070061

Menyetujui:

Pembimbing

Ir. Julio Adisantoso, M.Kom

NIP. 19620714 198601 1 002

Mengetahui:
Ketua Departemen Ilmu Komputer,

Dr. Ir. Sri Nurdiati, M.Sc

NIP. 19601126 198601 2 001

Tanggal Lulus:

iv
 RIWAYAT HIDUP

Penulis lahir di Bandung pada tanggal 14 Juli 1989 yang merupakan anak kedua dari lima
bersaudara dengan ayah bernama Fatahudin dan Ibu bernama Siti Supriatin.
Tahun 2007 penulis lulus dari SMA Negeri 9 Bandung dan pada tahun yang sama penulis
lulus seleksi masuk IPB melalui jalur Ujian Saringan Masuk IPB (USMI), dan diterima
sebagai mahasiswa Departemen Ilmu Komputer Fakultas Matematika dan Ilmu Pengetahuan
Alam Institut Pertanian Bogor. Pada tahun 2008 penulis aktif dalam organisasi Badan
Eksekutif Mahasiswa (BEM) FMIPA IPB sebagai staff Departemen Pengembangan Potensi
Sumber Daya Mahasiswa (PPSDM) BEM FMIPA IPB 2008/2009. Penulis menjadi asisten
praktikum Mata Kuliah Penerapan Komputer Departemen Ilmu Komputer IPB pada tahun 2010
dan asisten praktikum Mata Kuliah Basis Data Departemen Ilmu Komputer IPB pada tahun 2011.

v
 PRAKATA

Alhamdulillahirabbil alamin, puji dan syukur Penulis panjatkan kepada Allah SWT atas
segala curahan rahmat dan karunia-Nya sehingga tugas akhir dengan judul Clustering Dokumen
Berbahasa Indonesia Menggunakan Fuzzy C-Means berhasil diselesaikan. Shalawat serta salam
Penulis sampaikan kepada Nabi Besar Muhammad SAW beserta keluarga dan sahabatnya.
Penulis berterima kasih kepada Bapak Ir. Julio Adisantoso, M.Kom selaku dosen
Pembimbing yang telah membimbing penulis selama penelitian berlangsung. Selain itu
kepada Ibu Dr. Yeni Herdiyeni, S.Si, M.Kom dan Bapak Sony Hartono Wijaya, S.kom, M.kom
selaku dosen Penguji serta staf pengajar Departemen Ilmu Komputer terima kasih atas ilmu yang
telah diberikan, serta tidak lupa kepada staf tata usaha yang membantu dalam administrasi selama
kuliah di Departemen Ilmu Komputer IPB.
Terima kasih sebesar-besarnya penulis sampaikan kepada Mama, Papa, Teteh, Aa,
Kakak dan Adik yang telah memberikan kasih sayang, perhatian, semangat dan doa untuk
keberhasilan Penulis. Kepada seluruh keluarga yang telah mendukung baik moral atau materil
penulis sampaikan terima kasih.
Terima kasih juga penulis sampaikan kepada Saudara Nazar Taufik Dihartika yang telah
memberikan dukungan dan semangat kepada penulis, teman-teman satu bimbingan Agus
Umriadi, Aprilia Ramadhina, Devi Dian Pramana, Fandi Rahmawan, Nova Maulizar, Nutri
Rahayuni, Woro Indriyani yang telah bersama-sama berjuang menyelesaikan tugas akhir, juga
teman-teman satu angkatan ilkom 44 yang telah memberikan pengalaman dan hari-hari yang
menyenangkan selama berkuliah di Ilmu Komputer, kepada teman-teman Wisma Mega 2
Endah Ratna Puri, Gian Puspita, Reni Syahab, Rika Kurnia, Yulianti Sri Rejeki yang telah
menemani hari-hari Penulis selama di kostan, serta masih banyak pihak yang membantu penulis
namun tidak dapat disebutkan disini.

Bogor, Agustus 2011

Isna Mariam

vi
 DAFTAR ISI
Halaman
DAFTAR TABEL ..........................................................................................................................viii

DAFTAR GAMBAR .....................................................................................................................viii

DAFTAR LAMPIRAN ..................................................................................................................viii

PENDAHULUAN............................................................................................................................. 1
Latar Belakang .............................................................................................................................. 1
Tujuan Penelitian .......................................................................................................................... 1
Ruang Lingkup Penelitian ............................................................................................................ 1
Manfaat Penelitian ........................................................................................................................ 1
TINJAUAN PUSTAKA .................................................................................................................... 1
Information Retrieval (IR) ............................................................................................................ 1
Clustering ..................................................................................................................................... 2
Pemodelan Ruang Vektor ............................................................................................................. 2
Fuzzy C-Means ............................................................................................................................. 2
Confusion Matrix .......................................................................................................................... 2
F-Measure ..................................................................................................................................... 3
Sphinx Search ............................................................................................................................... 3
METODE PENELITIAN .................................................................................................................. 3
Koleksi Dokumen ......................................................................................................................... 4
Praproses ....................................................................................................................................... 4
Membentuk Inverted Index dengan menggunakan pembobotan tf.idf .......................................... 4
Implementasi Sistem ..................................................................................................................... 4
Evaluasi ........................................................................................................................................ 5
Lingkungan Implementasi ............................................................................................................ 5
HASIL DAN PEMBAHASAN ......................................................................................................... 5
Karakteristik Dokumen ................................................................................................................. 5
Pembuangan Stopwords dan Term ................................................................................................ 6
Clustering Dokumen dengan Fuzzy C-Means .............................................................................. 6
Temu Kembali Informasi ............................................................................................................ 10
KESIMPULAN DAN SARAN ....................................................................................................... 12

DAFTAR PUSTAKA ..................................................................................................................... 12

LAMPIRAN .................................................................................................................................... 13

vii
 DAFTAR TABEL
Halaman

1 Format Confusion Matrix ............................................................................................................ 3

2 Keterangan penamaan cluster ..................................................................................................... 6
3 Nilai aktual-prediksi jurnal hortikultura dengan w = 2 dan threshold = 3 ................................ 7
4 Confusion matrix jurnal hortikultura dengan w = 2 dan threshold = 3 ....................................... 7
5 Nilai aktual-prediksi jurnal hortikultura dengan w = 2 dan threshold = 1.5 ............................. 7
6 Confusion matrix jurnal hortikultura dengan w = 2 dan threshold = 1.5 .................................... 7
7 Nilai aktual-prediksi jurnal hortikultura dengan w = 3 dan threshold = 1.5 ............................. 8
8 Confusion matrix jurnal hortikultura dengan w = 3 dan threshold = 1.5 .................................... 8
9 Hasil clustering terhadap empat cluster ...................................................................................... 9
10 Hasil clustering terhadap lima cluster ......................................................................................... 9
11 Nilai aktual-prediksi dokumen tanaman obat dengan w = 2 dan threshold = 1.5 ..................... 9
12 Confusion matrix dokumen tanaman obat dengan w = 2 dan threshold = 1.5 ............................ 9
13 Nilai aktual-prediksi dokumen tanaman obat dengan w = 2 dan threshold = 0.75 ................... 9
14 Confusion matrix dokumen tanaman obat dengan w = 2 dan threshold = 0.75 .......................... 9

DAFTAR GAMBAR
Halaman

1 Metode Penelitian. ....................................................................................................................... 4

2 Struktur dokumen jurnal hortikultura. ......................................................................................... 6
3 Struktur dokumen tanaman obat.................................................................................................. 6
4 Diagram akurasi nilai w = 2 dan T = 1.5 dengan nilai w = 2 dan T = 3 ................................... 7
5 Diagram akurasi nilai w = 2 dan T = 1.5 dengan nilai w = 3 dan T = 1.5 ................................ 8
6 Diagram akurasi nilai w = 2 dan T = 1.5 dengan nilai w = 2 dan T = 0.75 ............................ 10
7 Perintah indexing dokumen oleh Sphinx search ....................................................................... 10
8 Perintah pembuatan service Sphinx search ............................................................................... 10
9 Grafik R-P pencarian pada dokumen jurnal hortikultura .......................................................... 11
10 Grafik R-P pencarian pada dokumen tanaman obat .................................................................. 11

DAFTAR LAMPIRAN
Halaman

1 Gugus kueri dan jawaban dokumen jurnal hortikultura ............................................................ 14

2 Hasil analisis kinerja sistem temu kembali dokumen jurnal hortikultura .................................. 16
3 Gugus kueri dan jawaban dokumen tanaman obat .................................................................... 17
4 Hasil analisis kinerja sistem temu kembali dokumen tanaman obat ......................................... 19
5 Antarmuka sistem clustering dokumen ..................................................................................... 20
6 Antarmuka hasil temu kembali dokumen .................................................................................. 20

viii
 PENDAHULUAN
Latar Belakang
Informasi dapat terbagi menjadi
bermacam-macam topik bahasan, dan dari
topik-topik bahasan tersebut dapat terbagi
menjadi subtopik-subtopik bahasan yang
lebih spesifik. Subtopik dari suatu informasi
dapat mempersempit ruang lingkup dari
informasi, sehingga pencarian informasi yang
sesuai dengan kebutuhan pengguna akan lebih
mudah. Pada saat ini banyak sekali informasi
yang beragam terkumpul menjadi satu yang
menyebabkan kesulitan bagi pengguna untuk
mendapatkan informasi yang sesuai. Untuk
itu, diperlukan suatu teknik yang dapat
membentuk dan mengumpulkan informasi
berdasarkan topik dan subtopik yang dimiliki
oleh informasi tersebut. Salah satu teknik
yang dapat membentuk dan mengumpulkan
informasi berdasarkan topik dan subtopik
yang dimilikinya adalah clustering dokumen.
Clustering dokumen akan
mengelompokkan dokumen yang
merepresentasikan satu topik tertentu ke
dalam cluster tertentu pula. Menurut Manning
et al. (2008) clustering dokumen bertujuan
untuk membuat cluster yang koheren secara
internal, tetapi jelas berbeda dengan cluster
lainnya. Hal tersebut menunjukkan bahwa
dokumen dalam cluster yang sama harus
semirip mungkin dan dokumen dalam satu
cluster harus berbeda dari dokumen dalam
cluster lain.
Beberapa penelitian mengenai clustering
dokumen telah dilakukan, seperti penelitian
yang dilakukan oleh Wibisono dan Khodra
tahun 2005 yaitu clustering berita berbahasa
Indonesia dengan menggunakan algoritme K-
Means. Hasil dari penelitian tersebut masih
memiliki kekurangan karena kualitas cluster
yang dihasilkan belum terlalu baik. Penelitian
mengenai clustering selanjutnya adalah
penelitian yang dilakukan oleh Hizry
Ramdani pada tahun 2011. Penelitian tersebut
melakukan clustering konsep dokumen
berbahasa Indonesia dengan menggunakan
Bisecting K-Means. Metode yang digunakan
pada penelitian tersebut merupakan hard
clustering yang diterapkan pada enam kelas
dokumen yang berbeda. Dokumen sering
memiliki kecenderungan untuk
dikelompokkan ke dalam lebih dari satu
kelas, sesuai dengan derajat keanggotaannya.
Oleh karena itu perlu dilakukan
pengelompokan dokumen menggunakan
Fuzzy C-Means yang memungkinkan
dokumen terkelompok ke dalam satu atau
lebih kelas.
Tujuan Penelitian
Tujuan utama penelitian ini adalah
melakukan clustering dokumen berbahasa
Indonesia dengan menggunakan teknik fuzzy
C-Means dan mengimplementasikannya ke
dalam sistem temu kembali informasi.
Ruang Lingkup Penelitian
Dokumen yang digunakan dalam
penelitian ini adalah dokumen berbahasa
Indonesia yang memiliki struktur XML yang
tersedia di laboratorium Temu Kembali
Informasi dan laboratorium Computational
Intelligence Departemen Ilmu Komputer IPB.
Dokumen ini merupakan dokumen jurnal
pertanian yang berjumlah 324 dokumen dan
dokumen tanaman obat yang berjumlah 93
dokumen.
Manfaat Penelitian
Manfaat dari penelitian ini adalah
mengelompokkan dokumen berbahasa
Indonesia ke dalam cluster yang ada
berdasarkan derajat keanggotaan yang
dimiliki setiap dokumen terhadap suatu
cluster. Dengan demikian, pada proses temu
kembali informasi, pencarian dokumen
relevan hanya dilakukan pada cluster yang
relevan. Teknik yang digunakan untuk
mengelompokkan dokumen berbahasa
Indonesia (jurnal hortikultura dan dokumen
tanaman obat) adalah teknik fuzzy C-Means.
TINJAUAN PUSTAKA
Information Retrieval (IR)
Menurut Baeza-Yates & Ribeiro-Neto
information retrieval atau yang dalam bahasa
Indonesia adalah temu kembali informasi
berkaitan dengan representasi, organisasi,
akses, dan penyimpanan informasi.
Representasi dan organisasi informasi harus
menyediakan kemudahan untuk mengakses
informasi yang diinginkan oleh pengguna.
Akan tetapi, karakterisasi kebutuhan
informasi pengguna bukan merupakan
perkara yang mudah. Oleh karena itu,
pengguna harus menginterpretasikan
informasi yang dibutuhkannya menjadi
sebuah query yang dapat diproses oleh search
engine (IR system). Query merupakan
kumpulan kata kunci yang merangkum
deskripsi dari informasi yang dibutuhkan
1
pengguna, sehingga IR system akan
menemukembalikan informasi yang mungkin
berguna atau relevan dengan kebutuhan
pengguna.
Clustering
Clutering merupakan proses
pengelompokan sekumpulan objek ke
dalam beberapa kelas. Tujuannya adalah
untuk membuat cluster yang koheren secara
internal, tetapi jelas berbeda dengan cluster
lainnya. Objek-objek dalam suatu cluster
yang sama harus semirip mungkin satu sama
lain dan objek-objek dalam suatu cluster
harus berbeda dengan objek-objek dalam
cluster lain (Manning et al. 2008).
Clustering merupakan teknik
unsupervised learning. Tidak adanya
supervisi berarti tidak ada campur tangan
manusia dalam memasukkan objek-objek ke
dalam kelas yang ada. Secara garis besar
metode clustering dibagi ke dalam dua
grup yaitu flat clustering dan hierarchical
clustering. Pada flat clustering setiap objek
memiliki peluang yang sama untuk masuk ke
kelas-kelas yang ada dan tidak memiliki level
tertentu untuk masuk ke dalam sebuah
cluster. Selain itu, dalam flat clustering,
jumlah kelas yang akan diproses sudah
ditentukan sebelumnya. Pada hierarchical
clustering setiap objek memiliki ukuran
tertentu sehingga objek tersebut masuk ke
dalam cluster tertentu pula. Hierarchical
clustering digambarkan dalam bentuk
dendogram dan jumlah cluster dapat
berjumlah berapa saja tergantung pada
pemotongan dendogram (Manning et al.
2008). Clustering memiliki dua jenis, yaitu
hard clustering dan soft clustering. Pada hard
clustering, suatu objek merupakan anggota
dari tepat satu cluster, sedangkan pada soft
clustering suatu objek dimungkinkan
berasosiasi dengan banyak cluster dengan
adanya derajat keanggotaan (membership
degree) antara setiap pasang objek dengan
cluster (Kondadadi & Kozma 2002).
Pemodelan Ruang Vektor
Dokumen-dokumen direpresentasikan
sebagai vektor. Dalam sebuah koleksi, tiap
dokumen d dianggap sebagai vektor
dalam term-space. Masing-masing dokumen
digambarkan oleh term-frequency (TF)
vektor = 1 , 2 , . . , dengan matriks yang memberikan gambaran penuh
adalah frekuensi term i dalam koleksi
dokumen. Perbaikan model ini dilakukan
pada pembobotan masing-masing term
didasarkan pada inverse document frequency
(IDF) dalam koleksi dokumen. Tujuan
pembobotan ini adalah term yang muncul di
banyak dokumen memiliki kekuatan yang
berbeda. Hal ini dilakukan dengan
melakukan perkalian tiap term i dengan
log , dengan N adalah jumlah
dokumen dalam koleksi dan adalah
jumlah dokumen yang mengandung term i
(document-frequency). Representasi tf-idf
pada sebuah dokumen adalah sebagai
berikut (Karypis G & Han E 2000):
= 1 log , 2 log , . . , log .
1 2
Fuzzy C-Means
Fuzzy C-Means (FCM) adalah salah satu
metode yang paling umum digunakan dalam
fuzzy clustering. FCM adalah suatu teknik
clustering data yang keberadaan tiap titik data
suatu cluster ditentukan oleh derajat
keanggotan (membership degree). Teknik ini
pertama kali diperkenalkan oleh James
Bezdek pada tahun 1981.
Konsep dasar FCM adalah sebagai
berikut:
1. Tentukan pusat cluster, yang akan
menandai lokasi rata-rata untuk tiap-tiap
cluster. Pada kondisi awal, pusat cluster
ini masih belum akurat. Tiap-tiap titik data
memiliki derajat keanggotaan untuk tiap-
tiap cluster.
2. Perbaiki pusat cluster dan derajat
keanggotaan tiap-tiap titik data secara
berulang, maka akan dapat dilihat bahwa
pusat cluster akan bergerak menuju suatu
lokasi yang tepat. Perulangan ini
didasarkan pada minimisasi fungsi
objektif yang menggambarkan jarak dari
titik data yang diberikan ke pusat cluster
yang terboboti oleh derajat keanggotaan
titik data tersebut.
Output dari FCM bukan merupakan fuzzy
inference system, namun merupakan deretan
pusat cluster dan beberapa derajat
keanggotaan untuk tiap-tiap titik data.
Informasi ini dapat digunakan untuk
membangun suatu fuzzy inference system
(Hadi 2005).
Confusion Matrix
Confusion Matrix sering juga disebut
classification matrix merupakan sebuah
mengenai tingkat kesalahan serta kualitas
prediksi sebuah model dengan format seperti
pada Tabel 1. Beberapa definisi terkait
2
 dengan evaluasi yang bisa dipakai melalui Menurut Manning et al. 2009,
confusion matrix (Antonius 2008) adalah memisahkan dokumen-dokumen yang mirip
sebagai berikut: kadang lebih buruk daripada menempatkan
pasangan dokumen yang tidak mirip ke
True Positive (TP) adalah proporsi dari
dalam cluster yang sama. Dengan demikian,
sample bernilai true yang diprediksi
dapat digunakan F-Measure dengan nilai
secara benar.
false negative lebih kuat dari nilai false
False Positive (FP) adalah proporsi antara
positive. Selanjutnya, akan diberikan nilai >
sample bernilai false yang salah
1 sehingga memberikan bobot yang lebih
diprediksi sebagai sample bernilai true.
untuk recall. F-Measure yang seimbang
False Negative (FN) adalah proporsi sample
memberikan bobot yang sama antara recall
bernilai true yang salah diprediksi sebagai 1
sample bernilai false. dan precision, dengan nilai = atau = 1.
2
True Negative (TN) adalah proporsi sample Hal ini dapat ditulis sebagai 1 atau
bernilai falseyang diprediksi secara benar. =1 sehingga persamaan menjadi:
Tabel 1 Format Confusion Matrix 2
=1 = .
+
Actual
Sphinx Search
TRUE FALSE
Sphinx search adalah full text search
True False engine yang merupakan salah satu teknik
Positive Positive untuk melakukan pencarian dokumen atau
TRUE
(TP) (FP) database yang disimpan dalam komputer.
Predicted False True Selama pencarian mesin pencari melewati
FALSE Negative Negative dan memeriksa seluruh kata yang ada pada
(FN) (TN) dokumen dan mencoba untuk mencocokkan
kata-kata tersebut dengan query yang
Dari confusion matrix dapat dihitung diberikan. pencarian seluruh kata yang
akurasi terhadap hasil klasifikasi data yang dilakukan secara lengkap pada dokumen
merupakan proporsi jumlah sample yang inilah yang disebut pencarian text lengkap
diprediksi secara tepat, terhadap jumlah (full-text search).
seluruh sample. Persamaan yang digunakan Full-text search unggul dalam pencarian
adalah: teks tidak terstruktur bervolume besar secara
+ cepat dan efisien serta memberikan hasil
= +++
. berdasarkan seberapa baik kemiripan suatu
F-Measure dokumen dengan query pengguna (Abbas
2011).
F-measure merupakan salah satu
perhitungan evaluasi dalam temu kembali
informasi yang mengombinasikan recall dan METODE PENELITIAN
precision. Nilai recall dan precision pada
suatu keadaan dapat memiliki bobot yang Penelitian ini secara garis besar
berbeda. Ukuran yang menampilkan timbal melakukan dua proses, yaitu proses training
balik antara recall dan precision adalah F- dan proses testing. Pada proses training
Measure yang merupakan bobot harmonic dilakukan pembentukan cluster dokumen,
mean dari recall dan precision. Berikut sedangkan pada proses testing dilakukan temu
adalah persamaan F-Measure: kembali dokumen hasil clustering
1 2 + 1 berdasarkan query yang diberikan pengguna,
= = kemudian hasil temu kembali tersebut
1 1 2 +
+ 1 dievaluasi. Secara garis besar metode

penelitian yang digunakan dalam penelitian
dengan
ini adalah seperti Gambar 1.
1
2 = , 0,1 dan 2 0, .


= + , = + .

3
 Training
Praproses
Clustering
Model
Cluster
Search
Query Evaluasi
engine
Testing
Gambar 1 Metode Penelitian.
Koleksi Dokumen
Penelitian ini menggunakan dua koleksi
dokumen yang berjumlah 324 untuk
dokumen jurnal hortikultura dan 93 untuk
dokumen tanaman obat. Koleksi dokumen
yang digunakan telah diketahui jumlah
kelasnya. Dokumen jurnal hortikultura
memiliki tiga cluster, yaitu Ekofisiologi dan
Agronomi, Pemuliaan dan Teknologi Benih,
serta Proteksi. Jumlah cluster untuk
mengelompokkan dokumen tanaman obat
adalah tujuh cluster yaitu Kronis, Kulit,
Nyeri-Radang-Demam, Pencernaan,
Perawatan, Pernapasan, dan Saluran kemih
yang merupakan cluster dari dokumen yang
mengulas khasiat tanaman obat dalam
mengobati penyakit.
Dokumen yang digunakan diperoleh dari
koleksi dokumen (korpus) milik laboratorium
Temu Kembali Informasi dan laboratorium
Computational Intelligence Departemen Ilmu
Komputer IPB. Isi dari dokumen tidak diubah
sehingga kesalahan ejaan dan tata bahasa
tidak diperbaiki.
Praproses
Pada tahap praproses dilakukan
lowercasing, tokenisasi, dan pembuangan
stopwords. Lowercasing adalah proses untuk
mengubah semua huruf mejadi huruf non-
capital agar menjadi case-insensitive pada
saat dilakukan pemrosesan teks dokumen.
Tokenisasi adalah suatu tahap pemrosesan
teks input yang dibagi menjadi unit-unit kecil
yang disebut token. Dalam penelitian ini unit
terkecil yang digunakan adalah kata yang
terdiri atas minimal tiga huruf. Selain itu,
tanda baca yang terdapat dalam dokumen
dihilangkan sehingga tidak ikut diproses.
Stopwords merupakan daftar kata-kata
yang dianggap tidak memiliki makna. Kata
yang tercantum dalam daftar ini dibuang dan
tidak ikut diproses pada tahap selanjutnya.
Pada umumnya kata-kata yang masuk ke
dalam stopwords memiliki tingkat
kemunculan yang tinggi di setiap dokumen
sehingga kata tersebut tidak dapat
digunakan sebagai penciri suatu dokumen.
Membentuk Inverted Index dengan
menggunakan pembobotan tf.idf
Hasil dari tahap praproses adalah term
terpilih yang akan digunakan pada vector
space model. Pada term terpilih tersebut
dilakukan pembobotan dengan menggunakan
tf.idf. Pembobotan pada term dapat
membantu pembedaan istilah-istilah yang
lebih penting untuk tujuan penemukembalian
(Ridha 2001). Pembobotan tf.idf merupakan
perkalian antara frekuensi kemunculan term
dengan fungsi inverse document frequency
(Salton 1989 dalam Ridha 2002).
= .log ,
dengan
1. adalah bobot term ke-j dokumen ke-i
2. adalah frekuensi kemunculan term
ke-j dokumen ke-i
3. adalah frekuensi dokumen yang
mengandung term ke-j
4. adalah jumlah dokumen dalam koleksi.
Implementasi Sistem
Setelah tahap praproses dan pembobotan
selesai dilakukan, langkah selanjutnya adalah
pembentukan cluster dokumen dengan
menggunakan Fuzzy C-Means (FCM).
Tujuan dari algoritme FCM adalah untuk
menemukan pusat cluster (centroid) dengan
meminimumkan fungsi objektif (Win & Mon
2010). Fungsi objektif yang digunakan pada
FCM adalah:
2
=
=1 =1 =1
dengan
1. merupakan bobot term ke-j pada
dokumen ke-i
4
2. merupakan centroid term ke-j clustering. Untuk menghitung F-Measure
terhadap cluster ke-k dibutuhkan pengetahuan mengenai
3. merupakan derajat keanggotaan pengelompokan dokumen yang telah
dokumen ke-i terhadap cluster ke-k dianggap benar. Dalam penelitian ini,
4. adalah indeks dokumen pengelompokan dokumen yang telah
5. adalah indeks term dianggap benar adalah pengelompokan yang
6. adalah indeks cluster dilakukan dengan cara manual (Ramdani
7. w adalah derajat fuzzy, w [1,]. 2011).
Algoritme Fuzzy C-Means secara Lingkungan Implementasi
keseluruhan adalah sebagai berikut: Lingkungan implementasi yang dalam
1. Memasukkan data yang akan penelitian ini adalah sebagai berikut:
dikelompokkan berupa martiks berukuran Perangkat lunak:
nxm (n adalah jumlah dokumen, m adalah
jumlah kata) dan tentukan parameter yang Sistem operasi Windows 7
terlibat, yaitu: PHP
Jumlah cluster (c); Sphinx
Tingkat fuzzy (w); Perangkat keras:
Maksimum iterasi (MaxIter); Processor Intel Core 2 Duo 1,50GHz
Error terkecil yang diharapkan (e); RAM 2 GB
Fungsi objektif awal ( 0 = 0); Hardisk dengan kapasitas 120 GB
Iterasi awal ( t = 1);
2. Membangkitkan bilangan acak ik sebagai
derajat keanggotaan, dengan i adalah HASIL DAN PEMBAHASAN
indeks dokumen (i=1,2,,n) dan k adalah
indeks cluster (k = 1,2,,c) sebagai Karakteristik Dokumen
elemen-elemen matriks partisi awal .
Dokumen yang digunakan dalam
3. Menghitung pusat cluster ke-k:
penelitian ini adalah dokumen berbahasa
dengan k = 1, 2, 3, ,c dan j=1, 2, 3, Indonesia yaitu dokumen jurnal hortikultura
,m.
dan dokumen tanaman obat. Jumlah dokumen
yang digunakan adalah 324 dokumen untuk
=1 x
= . jurnal hortikultura dan 93 dokumen tanaman

=1 obat. Koleksi dokumen jurnal hortikultura
terbagi ke dalam tiga cluster, yaitu
4. Menghitung fungsi objektif pada iterasi Ekofisiologi dan Agronomi, Pemuliaan dan
ke-t, Teknologi Benih, serta Proteksi. Dokumen
tanaman obat terbagi ke dalam tujuh cluster,
2
=
. yaitu Kronis, Kulit, Nyeri-Radang-Demam,
=1 =1 =1 Pencernaan, Perawatan, Pernapasan, dan
Saluran kemih.
5. Meng-update derajat keanggotaan
Seluruh dokumen yang digunakan dalam
1 penelitian ini berformat plain-text yang
2 1
=1 memiliki struktur XML. Struktur tulisan
= 1 . dokumen jurnal hortikultura dapat dilihat
2 1
=1 =1 pada Gambar 2, sedangkan struktur tulisan
dokumen tanaman obat dapat dilihat pada
6. Mengecek kondisi berhenti: Gambar 3.
Jika ( | 1 | < e) atau (t >
Dokumen dikelompokkan ke dalam beberapa
MaxIter) maka berhenti. tag sebagai berikut:
Jika tidak : t = t+1, mengulangi
kembali iterasi dimulai dari langkah <DOCID></DOCID>,
ke-3. menunjukkan ID dari dokumen
jurnal hortikultura.
Evaluasi <DOCNO></DOCNO>,
Evaluasi dilakukan dengan menghitung menunjukkan ID dari dokumen
F-Measure keseluruhan cluster hasil tanaman obat.

5
 <content></content>,
menunjukkan isi atau informasi dari
dokumen.
<nama></nama>, menunjukkan
nama tanaman obat pada dokumen
tanaman obat.
<namal></namal>,
menunjukkan nama latin tanaman
obat pada dokumen tanaman obat.
<fam></fam>,
menunjukkan nama family dari
tamanan obat pada dokumen
tanaman obat.
<penyakit></penyakit>,
menunjukkan penyakit yang
berkaitan dengan tanaman obat pada
dokumen tanaman obat.
Dalam penelitian ini, pemrosesan text hanya
dilakukan pada text yang berada di antara tag
<content> dan </content>, sehingga
text yang berada di dalam tag lainnya tidak
diproses.
<docId>dok001.txt</docId>
<content>Akhir-akhir ini kentang
menjadi tanaman prioritas dan
mempunyai nilai ekonomi tinggi.
Produksi umbi kentang di
Indonesia masih rendah sehingga
</content>
Gambar 2 Struktur dokumen jurnal
hortikultura.
<DOCNO>001</DOCNO>
<nama>Akar Kuning</nama>
<namal>Arcangelisia flava (L.)
Merr.</namal>
<fam>Menispermaceae</fam>
<penyakit>Pencernaan</penyakit>
<content> Famili:Menispermaceae
</content>
Gambar 3 Struktur dokumen tanaman obat.
Pembuangan Stopwords dan Term
Pada tahap praproses dilakukan
pembuangan term di dalam dokumen yang
termasuk ke dalam stopwords dan term yang
memiliki bobot (tf.idf) kurang dari threshold.
Threshold yang digunakan pada penelitian ini
adalah sebesar 1.5 dan 3 untuk dokumen
jurnal hortikultura, sedangkan untuk dokumen
tanaman obat digunakan threshold sebesar 1.5
dan 0.75. Ukuran threshold yang berbeda
antara dokumen jurnal hortikultura dengan
dokumen tanaman obat dikarenakan
karakteristik dokumen yang berbeda. Ukuran
threshold yang dipilih disesuaikan dengan
seluruh koleksi dokumen, sehingga dari setiap
dokumen terdapat kata-kata yang memiliki
bobot lebih besar dari threshold dan
merepresentasikan dokumennya. Karena
semakin sering suatu kata muncul pada suatu
dokumen (selain kata yang termasuk ke dalam
stopwords), maka diduga semakin penting
kata itu untuk dokumen tersebut (Manning et
al. 2009).
Clustering Dokumen dengan Fuzzy C-
Means
Clustering dokumen jurnal hortikultura
dan dokumen tanaman obat dilakukan
dengan menggunakan algoritme Fuzzy C-
Means (FCM) dengan input sebagai berikut:
1. Term yang telah dihitung bobotnya
menggunakan tf.idf dan bernilai lebih dari
threshold
2. Jumlah cluster (c), yaitu tiga cluster untuk
dokumen jurnal hortikultura dan tujuh
cluster untuk dokumen tanaman obat
3. Pengontrol tingkat fuzzy (w), yaitu dua
dan untuk pembanding sebesar tiga
4. Jumlah maksimum iterasi (maxIter)
sebesar 100 iterasi
5. Nilai error (e) sebesar 110 .
Untuk meringkas dan memudahkan penulisan
nama cluster, maka dilakukan penamaan
seperti pada Tabel 2.
Tabel 2 Keterangan penamaan cluster
Dokumen Jurnal Hortikultura
C1 Ekofisiologi dan Agronomi
C2 Pemuliaan dan Teknologi Benih
C3 Proteksi
Dokumen Tanaman Obat
C1 Kronis
C2 Kulit
C3 Nyeri-Radang-Demam
C4 Pencernaan
C5 Perawatan
C6 Pernapasan
C7 Saluran kemih
6
1. Clustering Dokumen Jurnal Hortikultura di atas menghasilkan F-Measure sebesar
67.28% dan akurasi sebesar 78.19%.
Perhitungan pertama adalah melakukan
clustering terhadap dokumen jurnal Tabel 5 Nilai aktual-prediksi jurnal
hortikultura dengan menggunakan nilai w = hortikultura dengan w = 2 dan threshold = 1.5
2 dan threshold = 3. Tabel aktual-prediksinya
dapat dilihat pada Tabel 3 dan Confusion Prediksi
Matrix dari hasil nilai aktual-prediksinya C1 C2 C3
ditunjukkan pada Tabel 4.
C1 72 19 17
Tabel 3 Nilai aktual-prediksi jurnal
hortikultura dengan w = 2 dan threshold = 3 aktual C2 8 78 16

Prediksi C3 28 18 68

C1 C2 C3
Tabel 6 Confusion matrix jurnal hortikultura
C1 81 17 10 dengan w = 2 dan threshold = 1.5
aktual C2 5 65 32 TRUE FALSE
C3 29 41 44 TP FP
TRUE
218 106
Tabel 4 Confusion matrix jurnal hortikultura
FN TN
dengan w = 2 dan threshold = 3
FALSE
106 542
TRUE FALSE
TP FP
TRUE Setelah dilakukan clustering pada
190 134
dokumen jurnal hortikultura, maka dapat
FN TN diketahui bahwa tingkat akurasi clustering
FALSE dengan nilai w = 2 dan threshold = 1.5 lebih
134 514
baik dibandingkan dengan clustering
menggunakan nilai w = 2 dan threshold = 3.
Berdasarkan Tabel 4, total pengujian
Diagram perbandingan akurasi hasil
koleksi dokumen jurnal hortikultura terhadap
clustering dengan menggunakan nilai w = 2
tiga cluster dengan nilai w = 2 dan threshold
dan threshold = 1.5 dengan nilai w = 2 dan
= 3 terdapat 190 dokumen yang
threshold = 3 ditunjukkan pada Gambar 4.
dikelompokkan secara benar, dan total
dokumen yang salah dikelompokkan
sebanyak 134 dokumen. Nilai recall untuk
hasil ini adalah 58.64% dan nilai precision 100.00%
adalah 58.64%. Oleh karena itu perhitungan 90.00% 78.19%
di atas menghasilkan F-Measure sebesar 80.00% 72.42%
58.64% dan akurasi sebesar 72.42%. 70.00%
Akurasi

60.00%
Perhitungan kedua adalah melakukan 50.00%
clustering terhadap dokumen jurnal 40.00%
hortikultura dengan menggunakan nilai w = 2 30.00%
dan threshold = 1.5. Tabel aktual-prediksinya 20.00%
dapat dilihat pada Tabel 5 dan Confusion 10.00%
Matrix dari hasil nilai aktual-prediksinya 0.00%
T=3 T = 1.5
ditunjukkan pada Tabel 6.
Series 1 72.42%
w=2 78.19%
w=2
Berdasarkan Tabel 6 dapat dilihat bahwa
total pengujian koleksi dokumen jurnal
hortikultura terhadap tiga cluster dengan nilai w dan threshold (T)
w = 2 dan threshold = 1.5 terdapat 218
dokumen yang dikelompokkan secara benar, Gambar 4 Diagram akurasi nilai w = 2 dan
dan total dokumen yang salah dikelompokkan T = 1.5 dengan nilai w = 2 dan T = 3
sebanyak 106 dokumen. Nilai recall untuk
hasil ini adalah 67.28% dan nilai precision
adalah 67.28%. Oleh karena itu perhitungan

7
 Selain menggunakan nilai threshold yang antara penggunaan nilai w = 2 dan w = 3
berbeda, untuk mengetahui pengaruh dapat dilihat pada Gambar 5.
parameter w terhadap hasil clustering dengan
menggunakan algoritme FCM, maka
100.00%
dilakukan perhitungan clustering dengan
90.00% 78.19%
menggunakan nilai w = 3 dengan nilai 73.87%
80.00%
threshold = 1.5. Tabel aktual-prediksinya
70.00%
dapat dilihat pada Tabel 7 dan Confusion
60.00%
Matrix dari hasil nilai aktual-prediksinya

Akurasi
50.00%
seperti pada Tabel 8.
40.00%
30.00%
Tabel 7 Nilai aktual-prediksi jurnal
20.00%
hortikultura dengan w = 3 dan threshold = 1.5
10.00%
Prediksi 0.00%
T = 1.5 T = 1.5
C1 C2 C3 w=2
Series 1 78.19% w =3
73.87%
C1 65 22 21
aktual C2 12 71 19 w dan threshold (T)

C3 33 20 61 Gambar 5 Diagram akurasi nilai w = 2 dan

Tabel 8 Confusion matrix jurnal hortikultura
dengan w = 3 dan threshold = 1.5
TRUE FALSE
TP FP
TRUE
197 127
FN TN
FALSE
127 521
Berdasarkan Tabel 8 dapat dilihat bahwa
total pengujian koleksi dokumen jurnal
hortikultura terhadap tiga cluster dengan nilai
w = 3 dan threshold = 1.5 terdapat 197
dokumen yang dikelompokkan secara benar,
dan total dokumen yang salah dikelompokkan
sebanyak 127 dokumen. Nilai recall untuk
hasil ini adalah 60.80% dan nilai precision
adalah 60.80%. Oleh karena itu perhitungan
di atas menghasilkan F-Measure sebesar
60.80% dan akurasi sebesar 73.87%.
Untuk melihat pengaruh nilai w terhadap
hasil clustering dokumen jurnal hortikultura
menggunakan algoritme FCM, dapat
dibandingkan hasil yang diperoleh antara
penggunaan nilai w = 2 dan threshold = 1.5
dengan w = 3 dan threshold = 1.5. Dari hasil
yang ditunjukkan sebelumnya oleh Tabel 6
dan Tabel 8, dapat dilihat bahwa selisih hasil
dokumen yang secara benar dikelompokkan
dengan menggunakan algoritme FCM adalah
21 dokumen, dengan w = 2 yang berhasil
melakukan clustering terhadap 21 dokumen
tersebut dengan benar. Perbandingan akurasi
T = 1.5 dengan nilai w = 3 dan T = 1.5
Selisih jumlah dokumen hasil clustering
dengan penggunaan nilai parameter w yang
berbeda tidak terlalu signifikan yang dapat
disebabkan oleh jumlah dokumen yang
digunakan tidak terlalu besar. Menurut James
Bezdek tahun 1984, tidak ada petunjuk secara
teoritikal ataupun secara komputasional
mengenai penggunaan parameter w sebagai
parameter pengontrol tingkat fuzzy yang
optimal. Berdasarkan percobaan yang
dilakukan, penggunaan nilai w yang semakin
besar akan menyebabkan distribusi data
menjadi kurang baik, sehingga menyebabkan
akurasi hasil clustering menurun. Oleh
karena itu, untuk clustering dokumen
tanaman obat hanya akan digunakan nilai w =
2.
Distribusi dokumen hasil clustering pada
umumnya akan berubah dengan penetapan
jumlah cluster yang berbeda-beda. Untuk
melihat distribusi dokumen jurnal hortikultura
terhadap jumlah cluster yang ditentukan,
maka selain dilakukan clustering menjadi tiga
cluster, dilakukan pula clustering menjadi
empat cluster dan lima cluster (Tabel 9 dan
10).
Berdasarkan Tabel 9 dan 10, dapat
diketahui bahwa koleksi dokumen jurnal
hortikultura yang terbagi ke dalam tiga cluster
ternyata dapat dikelompokkan ke dalam
empat cluster dan lima cluster. Hal tersebut
menandakan bahwa dari tiga cluster hasil
pengelompokan oleh manusia, ternyata dapat
dikelompokkan kembali menjadi sejumlah

8
cluster lain oleh sistem. Pengelompokan Tabel 12 Confusion matrix dokumen
yang dilakukan oleh sistem mampu tanaman obat dengan w = 2 dan threshold =
menghasilkan cluster dokumen baru yang 1.5
lebih spesifik, yang sebelumnya berdasarkan
pengelompokan oleh manusia dianggap TRUE FALSE
termasuk ke dalam cluster yang lebih umum. TP FP
TRUE
Tabel 9 Hasil clustering terhadap empat 49 44
cluster FN TN
FALSE
Prediksi 44 514

C1 C2 C3 C4 Berdasarkan Tabel 12 total pengujian

C1 69 13 9 5 koleksi dokumen tanaman obat terhadap
tujuh cluster dengan nilai w = 2 dan
aktual C2 21 89 14 3 threshold = 1.5 terdapat 49 dokumen yang
dikelompokkan secara benar, dan total
C3 13 11 74 3
dokumen yang salah dikelompokkan adalah
44 dokumen. Nilai recall untuk hasil ini
Tabel 10 Hasil clustering terhadap lima adalah 52.69% dan nilai precision adalah
cluster 52.69%. Oleh karena itu perhitungan di atas
menghasilkan F-Measure sebesar 52.69% dan
Prediksi
akurasi sebesar 86.48%.
C1 C2 C3 C4 C5
Perhitungan kedua untuk clustering
C1 72 23 11 1 1 dokumen tanaman obat adalah dengan
menggunakan nilai w = 2 dan threshold =
aktual C2 12 83 6 0 1
0.75. Tabel aktual-prediksinya dapat dilihat
C3 11 20 71 1 1 pada Tabel 13 dan Confusion Matrix dari
hasil nilai aktual-prediksinya ditunjukkan
pada Tabel 14.
2. Clustering Dokumen Tanaman Obat Tabel 13 Nilai aktual-prediksi dokumen
Clustering dokumen tanaman obat yang tanaman obat dengan w = 2 dan threshold =
berjumlah 93 dilakukan dengan menggunakan 0.75
nilai w = 2 dengan nilai threshold sebesar 1.5
Prediksi
dan 0.75. Perhitungan pertama untuk C1 C2 C3 C4 C5 C6 C7
clustering dokumen tanaman obat adalah C1 4 1 0 2 1 1 0
dengan menggunakan nilai w = 2 dan C2 0 6 1 1 0 2 0
threshold = 1.5. Tabel aktual-prediksinya C3 1 0 14 0 0 1 4
dapat dilihat pada Tabel 11 dan Confusion C4 5 2 0 12 0 1 0
Matrix dari hasil nilai aktual-prediksinya C5 1 0 7 2 13 1 0
dapat dilihat pada Tabel 12. C6 0 0 1 0 0 3 0
Tabel 11 Nilai aktual-prediksi dokumen C7 0 0 2 0 0 0 4
tanaman obat dengan w = 2 dan threshold =
1.5 Tabel 14 Confusion matrix dokumen tanaman
obat dengan w = 2 dan threshold = 0.75
Prediksi
C1 C2 C3 C4 C5 C6 C7 TRUE FALSE
C1 5 1 1 2 0 0 0
TP FP
C2 0 7 2 0 0 0 1 TRUE
C3 0 6 9 0 0 2 3 54 39
C4 2 4 0 13 0 1 0 FN TN
C5 0 2 3 3 10 4 2 FALSE
C6
39 519
0 2 0 0 0 2 0
C7 1 2 0 0 0 0 3
Berdasarkan Tabel 14 dapat dilihat bahwa
total pengujian koleksi dokumen tanaman
obat terhadap tujuh cluster dengan nilai w =
2 dan threshold = 0.75 terdapat 54 dokumen

9
yang dikelompokkan secara benar, dan total
dokumen yang salah dikelompokkan adalah
39 dokumen. Nilai recall untuk hasil ini
adalah 58.06% dan nilai precision adalah
58.06%. Oleh karena itu perhitungan di atas
menghasilkan F-Measure sebesar
58.06% dan akurasi sebesar 88.01%.
Setelah clustering dokumen tanaman obat
dilakukan, maka dapat dilihat bahwa tingkat
akurasi clustering dengan nilai w = 2 dan
threshold = 0.75 lebih baik dibandingkan
dengan clustering menggunakan nilai w = 2
dan threshold = 1.5. Diagram perbandingan
akurasi hasil clustering dokumen tanaman
obat dengan menggunakan nilai w = 2 dan
threshold = 1.5 dengan nilai w = 2 dan
threshold = 0.75 dapat dilihat pada Gambar 6.
100.00% 88.01%
86.48%
90.00%
80.00%
70.00%
60.00%
50.00%
Akurasi
40.00%
30.00%
20.00%
10.00%
0.00%
T = 1.5 T = 0.75
Series 1 w=2
86.48% w =2
88.01%
w dan threshold (T)
Gambar 6 Diagram akurasi nilai w = 2 dan
T = 1.5 dengan nilai w = 2 dan T = 0.75
Berdasarkan seluruh hasil perhitungan
yang telah dilakukan terhadap dokumen
jurnal hortikultura dan dokumen tanaman
obat, dapat dilihat bahwa penggunaan
threshold sebesar 1.5 untuk dokumen jurnal
hortikultura dan threshold sebesar 0.75 untuk
dokumen tanaman obat memberikan hasil
akurasi yang lebih baik. Berdasarkan hal
tersebut dapat diketahui bahwa penggunaan
threshold yang sesuai dapat menghasilkan
akurasi yang lebih baik. Karena dengan
penggunaan threshold yang terlalu besar,
menyebabkan range bobot term yang masuk
dalam proses clustering menjadi lebih kecil
dan menyebabkan tidak ikutnya term penciri
yang bernilai lebih kecil dari threshold dalam
proses clustering. Oleh karena itu, hasil
clustering yang diimplementasikan pada
search engine adalah clustering dengan
menggunakan w = 2 dengan threshold = 1.5
untuk dokumen jurnal hortikultura dan w = 2
dengan threshold 0.75 untuk dokumen
tanaman obat.
Temu Kembali Informasi
Setelah hasil clustering didapat, maka
dokumen-dokumen yang ada dalam koleksi
sudah terkumpul dalam cluster masing-
masing berdasarkan algoritme FCM. Proses
akhir dari penelitian ini adalah proses temu
kembali informasi yang dibangun dengan
menggunakan Sphinx search. Sebelum tahap
temu kembali informasi dengan menggunakan
Sphinx search dapat dilakukan, harus
melakukan indexing terlebih dahulu terhadap
seluruh dokumen dengan perintah seperti
pada Gambar 7.
C:\Sphinx\bin>indexer --
config c:\sphinx\sphinx.conf
--all
Gambar 7 Perintah indexing dokumen oleh
Sphinx search
Indexing dilakukan pada satu file XML
yang berisi seluruh koleksi dokumen yang ada
yang di dalamnya terdapat beberapa tag yang
dikenali oleh Sphinx search. Indexing yang
dilakukan oleh Sphinx search bertujuan agar
dokumen tersebut dapat dikenali dan dapat
ditemu-kembalikan oleh Sphinx search.
Langkah selanjutnya adalah membuat
service untuk Sphinx search. Nama service
yang digunakan dalam penelitian ini yaitu
SphinxJurnal untuk koleksi dokumen jurnal
hortikultura dan SphinxTanob untuk koleksi
dokumen tanaman obat. Pembuatan service
untuk tanaman obat dilakukan dengan cara
yang sama dengan mengganti servicename
saja. Perintah untuk membuat service
ditunjukkan oleh Gambar 8.
\Sphinx\bin\searchd --install
--config
C:\Sphinx\sphinx.conf --
servicename SphinxJurnal
Gambar 8 Perintah pembuatan service Sphinx
search
Sphinx search menerima input query dari
pengguna dan mengembalikan dokumen-
dokumen yang sesuai dengan query.
Dokumen yang sesuai dengan query yang
ditemu-kembalikan oleh Sphinx search dapat
berupa dokumen-dokumen yang berasal dari
10
seluruh cluster yang ada, atau dapat berasal
dari cluster tertentu saja. Apabila pengguna
sudah mengetahui kelas dari informasi yang
dibutuhkannya terlebih dahulu, maka proses
pencarian akan lebih efisien, karena fokus
pencarian informasi hanya dilakukan pada
satu cluster saja.
Pengujian Kinerja Sistem
Proses pengujian kinerja sistem dilakukan
dengan melakukan pemeringkatan dokumen
dengan memperhitungkan ukuran kesamaan
antara query dengan dokumen dan query
dengan pusat cluster. Ukuran kesamaan
antara query q dengan dokumen d pada c
adalah:
Sim(q,d|c) = aSim(q,d)+(1-a)Sim(q,c)
dengan
kemudian dihitung interpolasi maksimumnya
untuk mendapatkan nilai average precision
(AVP) yang menggambarkan kinerja sistem
secara keseluruhan.
Berdasarkan hasil pengujian terhadap
seluruh cluster pada dokumen tanaman obat
didapat nilai average precision sebesar
0.8931 (Lampiran 4). Hal tersebut
menunjukkan bahwa kinerja sistem temu
kembali terhadap hasil clustering dokumen
tanaman obat sudah baik. Gambar 10
menunjukkan kinerja sistem pada pencarian
dokumen tanaman obat.
1
, 0.9
0.8
0.7

Precision
0.6
1. Sim(q,d) adalah ukuran kesamaan antara 0.5
query q dengan dokumen d 0.4
2. Sim(q,c) adalah dot product antara query 0.3
q dengan pusat cluster c. 0.2
3. a adalah bobot (0 < a < 1). Pada 0.1
penelitian ini dipilih a = 0.5. 0
0 0.1 0.2 0.3 0.4 0.5 0.6 0.7 0.8 0.9 1
Pengujian pada Dokumen Jurnal
Hortikultura Recall
Proses pengujian kinerja sistem pada
keseluruhan koleksi dokumen tanaman obat Gambar 9 Grafik R-P pencarian pada
menggunakan 15 kueri uji (Lampiran 1). dokumen jurnal hortikultura
Pencarian dengan kueri uji bertujuan untuk
mendapatkan nilai recall dan precision dari
1
sistem temu kembali dokumen jurnal
0.9
hortikultura. Setelah nilai recall dan precision
0.8
didapat, kemudian dihitung interpolasi
maksimumnya untuk mendapatkan nilai 0.7
Precision

average precision (AVP) yang 0.6

menggambarkan kinerja sistem secara 0.5
keseluruhan. 0.4
0.3
Berdasarkan hasil pengujian terhadap 0.2
seluruh cluster pada dokumen jurnal 0.1
hortikultura didapat nilai average precision 0
sebesar 0.9562 (Lampiran 2). Hal tersebut
0 0.1 0.2 0.3 0.4 0.5 0.6 0.7 0.8 0.9 1
menunjukkan bahwa kinerja sistem temu
kembali terhadap hasil clustering dokumen Recall
jurnal hortikultura sudah baik. Gambar 9
menunjukkan kinerja sistem pada pencarian Gambar 10 Grafik R-P pencarian pada
dokumen jurnal hortikultura. dokumen tanaman obat
Pengujian pada Dokumen Tanaman Obat Pengujian pada dokumen jurnal
Proses pengujian kinerja sistem pada hortikultura mendapatkan hasil yang lebih
dokumen tanaman obat menggunakan 7 kueri baik dari pengujian dokumen tanaman obat.
uji (Lampiran 3). Pengujian ini dilakukan Hal ini karena dokumen jurnal hortikultura
untuk mendapat nilai recall dan precision dari lebih memiliki penciri yang berbeda dari
sistem temu kembali dokumen tanaman obat. dokumen lainnya dibandingkan dengan
Setelah nilai recall dan precision didapat, dokumen tanaman obat, sehingga sistem

11
dapat menemukembalikan dokumen relevan
yang lebih banyak.
KESIMPULAN DAN SARAN
Kesimpulan
Berdasarkan hasil yang diperoleh, dapat
disimpulkan bahwa clustering dengan
menggunakan algoritme Fuzzy C-Means
dapat diterapkan pada dokumen berbahasa
Indonesia dengan topik pertanian. Ditinjau
dari segi hasil, kinerja sistem clustering
terhadap dokumen jurnal hortikultura lebih
baik pada saat menggunakan nilai w = 2
sebagai parameter tingkat fuzzy dan threshold
= 1.5 sebagai batas minimun bobot term yang
diikutsertakan pada proses clustering. Kinerja
sistem clustering terhadap dokumen tanaman
obat lebih baik pada saat menggunakan nilai
w = 2 sebagai parameter tingkat fuzzy dan
threshold = 1.5. Penggunaan threshold pada
tahap praproses dapat mengurangi dimensi
dokumen dan mempengaruhi hasil clustering.
Clustering dokumen jurnal hortikultura
yang dikelompokkan menjadi tiga cluster
oleh manusia ternyata dapat dikelompokkan
menjadi empat cluster dan lima cluster oleh
sistem. Sistem mampu mendistribusikan
dokumen dan menghasilkan cluster dokumen
baru yang lebih spesifik yang sebelumnya
berdasarkan pengelompokan oleh manusia
dianggap termasuk ke dalam cluster yang
lebih umum.
Saran
Salah satu faktor yang menentukan tingkat
keakurasian hasil clustering adalah penentuan
fitur atau penciri dokumen. Oleh karena itu
perlu dicobakan metode lain untuk
menentukan fitur dokumen.
DAFTAR PUSTAKA
Ali A. 2011. Sphinx Search Beginner's Guide.
Birmingham, England: Packt Publishing.
ISBN 978-1-84951-254-1.
Antonius T. 2008. Penggalian Pola Churn
Menggunakan Data Mining pada Institusi
Perbankan Nasional. [thesis].Jakarta:
Program Studi Magister Teknologi
Informasi, Universitas Indonesia.
Baeza-Yates R, Ribeiro-Neto B. 1999.
Modern Information Retrieval. England:
Addison Wesley.
Bezdek C James, Ehrlich R, Full W. 1984.
FCM: The Fuzzy C-Means Clustering
Algorithm. Computers & Geosciences
Vol. 10, No. 2-3, pp. 191-203. Pegamon
Press Ltd. USA.
Hadi Y H. 2005. Pembagian Kelas Kuliah
Mahasiswa Menggunakan Algoritma
Pengklasteran Fuzzy. [skripsi]. Semarang:
Jurusan Teknik Elektro, Universitas
Diponegoro.
Karypis G, Han E. 2000. Concept Indexing: A
Fast Dimensionally Reduction Algorithm
with Applications to Document Retrieval
& Categorization. Computer Science
and Engineering. University of
Minnesota. Minneapolis.
Kondadadi R, Kozma R. 2002. A Modified
Fuzzy ART for Soft Document Clustering.
Memphis: Division of Computer Science,
University of Memphis.
Manning C D, Raghavan P, Schutze H.
2009. An Introduction to Information
Retrieval. Cambridge: Cambridge
University Press.
Ramdani H. 2011. Clustering Konsep
Dokumen Berbahasa Indonesia
menggunakan Bisecting K-Means.
[skripsi]. Bogor: Departemen Ilmu
Komputer, Institut Pertanian Bogor.
Ridha A. 2002. Pengindeksan Otomatis
dengan Istilah Tunggal untuk Dokumen
Berbahasa Indonesia.[skripsi]. Bogor:
Departemen Ilmu Komputer, Institut
Pertanian Bogor.
Win T T, Mon L. 2010. Document Clustering
by Fuzzy C-Mean Algorithm. IEEE : 978-
1-4244-5848-6/10.
12
LAMPIRAN

13
Lampiran 1 Gugus kueri dan jawaban dokumen jurnal hortikultura
Kueri Uji Dokumen Relevan
cabai merah dok053.txt, dok059.txt,
dok061.txt, dok100.txt,
dok124.txt, dok153.txt,
dok169.txt, dok201.txt,
dok212.txt, dok223.txt,
dok232.txt, dok283.txt
buah tropika dok025.txt, dok064.txt,
dok079.txt, dok104.txt,
dok106.txt, dok111.txt,
dok113.txt, dok115.txt,
dok128.txt, dok129.txt,
dok131.txt, dok133.txt,
dok140.txt, dok145.txt,
dok158.txt, dok227.txt,
dok238.txt, dok264.txt,
dok286.txt, dok296.txt,
dok301.txt
padi dok011.txt, dok089.txt,
dok108.txt, dok243.txt
budidaya anggrek dok023.txt, dok110.txt,
dok186.txt
kultur in vitro dok023.txt, dok110.txt,
dok161.txt, dok196.txt,
dok248.txt, dok259.txt
fungisida dok055.txt, dok061.txt,
dok070.txt, dok071.txt,
dok125.txt, dok126.txt,
dok129.txt, dok136.txt,
dok283.txt, dok291.txt,
dok308.txt
genotip dok003.txt, dok015.txt,
dok029.txt, dok037.txt,
dok045.txt, dok047.txt,
dok113.txt, dok179.txt,
dok209.txt, dok210.txt,
dok224.txt, dok225.txt,
dok231.txt, dok232.txt,
dok250.txt, dok255.txt,
dok257.txt, dok305.txt,
dok324.txt
hama penggerek dok051.txt, dok069.txt,
dok140.txt, dok145.txt,
dok247.txt, dok315.txt
Dokumen Hasil Temu
Kembali
dok008.txt, dok053.txt,
dok059.txt, dok061.txt,
dok100.txt, dok124.txt,
dok153.txt, dok169.txt,
dok201.txt, dok212.txt,
dok223.txt, dok232.txt,
dok283.txt, dok298.txt
dok025.txt, dok064.txt,
dok079.txt, dok104.txt,
dok106.txt, dok111.txt,
dok113.txt, dok115.txt,
dok128.txt, dok129.txt,
dok131.txt, dok133.txt,
dok140.txt, dok145.txt,
dok158.txt, dok227.txt,
dok234.txt, dok238.txt,
dok264.txt, dok286.txt,
dok296.txt, dok301.txt
dok011.txt, dok089.txt,
dok108.txt, dok243.txt
dok023.txt, dok110.txt,
dok186.txt
dok023.txt, dok049.txt,
dok109.txt, dok110.txt,
dok135.txt, dok161.txt,
dok055.txt, dok061.txt,
dok196.txt, dok213.txt,
dok219.txt, dok228.txt,
dok269.txt, dok242.txt,
dok248.txt, dok252.txt,
dok229.txt, dok280.txt,
dok307.txt
dok055.txt, dok061.txt,
dok070.txt, dok071.txt,
dok125.txt, dok126.txt,
dok129.txt, dok136.txt,
dok283.txt, dok291.txt,
dok308.txt
dok003.txt, dok015.txt,
dok029.txt, dok037.txt,
dok045.txt, dok047.txt,
dok113.txt, dok179.txt,
dok209.txt, dok210.txt,
dok224.txt, dok225.txt,
dok231.txt, dok232.txt,
dok250.txt, dok255.txt,
dok257.txt, dok305.txt,
dok324.txt
dok051.txt, dok069.txt,
dok140.txt, dok145.txt,
dok247.txt, dok315.txt
14
Lanjutan Lampiran 1 Gugus kueri dan jawaban dokumen jurnal hortikultura
Kueri Uji Dokumen Relevan
jagung dok051.txt, dok053.txt,
dok065.txt, dok069.txt,
dok076.txt, dok108.txt,
dok137.txt, dok145.txt,
dok315.txt
pupuk npk dok004.txt, dok007.txt,
dok012.txt, dok018.txt,
dok056.txt, dok087.txt,
dok100.txt, dok155.txt,
dok157.txt, dok160.txt,
dok164.txt, dok168.txt,
dok189.txt, dok194.txt,
dok244.txt
gladiol dok075.txt, dok099.txt,
dok107.txt, dok125.txt,
dok193.txt, dok199.txt,
dok244.txt, dok245.txt,
dok250.txt, dok251.txt,
dok252.txt, dok322.txt
tanah latosol dok024.txt, dok080.txt,
dok324.txt
lalat buah dok064.txt, dok141.txt,
dok148.txt, dok296.txt,
dok304.txt
tunas dok033.txt, dok043.txt,
dok044.txt, dok079.txt,
dok084.txt, dok090.txt,
dok116.txt, dok117.txt,
dok127.txt, dok155.txt,
dok158.txt, dok161.txt,
dok171.txt, dok172.txt,
dok189.txt, dok193.txt,
dok196.txt, dok205.txt,
dok207.txt, dok213.txt,
dok219.txt, dok220.txt,
dok226.txt, dok228.txt,
dok229.txt, dok248.txt,
dok286.txt
vaksin dok058.txt, dok297.txt,
dok313.txt, dok316.txt
Dokumen Hasil Temu
Kembali
dok051.txt, dok053.txt,
dok065.txt, dok069.txt,
dok076.txt, dok108.txt,
dok137.txt, dok145.txt,
dok315.txt
dok004.txt, dok007.txt,
dok012.txt, dok018.txt,
dok024.txt, dok056.txt,
dok080.txt, dok087.txt,
dok094.txt, dok098.txt,
dok100.txt, dok153.txt,
dok155.txt, dok157.txt,
dok160.txt, dok164.txt,
dok168.txt, dok188.txt,
dok189.txt, dok244.txt
dok075.txt, dok099.txt,
dok107.txt, dok125.txt,
dok193.txt, dok199.txt,
dok244.txt, dok245.txt,
dok250.txt, dok251.txt,
dok252.txt, dok322.txt
dok024.txt, dok080.txt,
dok324.txt
dok064.txt, dok141.txt,
dok148.txt, dok296.txt,
dok304.txt
dok033.txt, dok043.txt,
dok044.txt, dok079.txt,
dok084.txt, dok090.txt,
dok116.txt, dok117.txt,
dok127.txt, dok155.txt,
dok158.txt, dok161.txt,
dok171.txt, dok172.txt,
dok189.txt, dok193.txt,
dok196.txt, dok205.txt,
dok207.txt, dok213.txt,
dok219.txt, dok220.txt,
dok226.txt, dok228.txt,
dok229.txt, dok248.txt,
dok286.txt
dok058.txt, dok297.txt,
dok313.txt, dok316.txt
15
Lampiran 2 Hasil analisis kinerja sistem temu kembali dokumen jurnal hortikultura

Titik Recall
Kueri Uji 0 0.1 0.2 0.3 0.4 0.5 0.6 0.7 0.8 0.9 1
cabai merah 1 1 1 1 0.9166667 0.9166667 0.9166667 0.9166667 0.9166667 0.9166667 0.8888889
buah tropika 1 1 1 1 0.9655172 0.9655172 0.9655172 0.9655172 0.9655172 0.9655172 0.9655172
padi 1 1 1 1 1 1 1 1 1 1 1
budidaya anggrek 1 1 1 1 1 1 1 1 1 1 1
kultur in vitro 0.6666667 0.6666667 0.6666667 0.6666667 0.5 0.5 0.5 0.4 0.4 0.4 0.4
fungisida 1 1 1 1 1 1 1 1 1 1 1
genotip 1 1 1 1 1 1 1 1 1 1 1
hama penggerek 1 1 1 1 1 1 1 0.9 0.9 0.9 0.9
jagung 1 1 1 1 1 1 1 1 1 1 1
pupuk npk 1 1 1 1 1 1 1 0.8461538 0.8064516 0.8064516 0.8064516
gladiol 1 1 1 1 1 1 1 1 1 1 1
tanah latosol 1 1 1 1 1 1 1 1 1 1 1
lalat buah 1 1 1 1 1 1 1 1 1 1 1
tunas 1 1 1 1 1 1 1 1 1 1 1
vaksin 1 1 1 1 1 1 1 1 1 1 1
Rata-rata
interpolasi 0.9777778 0.9777778 0.9777778 0.9777778 0.9588123 0.9588123 0.9588123 0.9352225 0.9325757 0.9325757 0.9307238
maksimum
0.9777778 +0.9777778 +0.9777778 +0.9777778 +0.9588123 +0.9588123 +0.9588123 +0.9352225 +0.9325757 +0.9325757 +0.9307238
AVP = 0.9562
11

16
Lampiran 3 Gugus kueri dan jawaban dokumen tanaman obat

Kueri Uji Dokumen Relevan Dokumen Hasil Temu

Kembali
pencernaan 001.txt, 002.txt, 004.txt, 001.txt, 002.txt, 004.txt,
018.txt, 022.txt, 032.txt, 007.txt, 018.txt, 022.txt,
036.txt, 048.txt, 049.txt, 027.txt, 032.txt, 033.txt,
050.txt, 051.txt, 053.txt, 035.txt, 036.txt, 048.txt,
054.txt, 073.txt, 074.txt, 049.txt, 050.txt, 051.txt,
076.txt, 078.txt, 088.txt, 053.txt, 054.txt, 059.txt,
089.txt 063.txt, 065.txt, 070.txt,
072.txt, 073.txt, 074.txt,
076.txt, 078.txt, 079.txt,
081.txt, 085.txt, 088.txt,
089.txt
nyeri radang demam 003.txt, 008.txt, 016.txt, 003.txt, 005.txt, 008.txt,
021.txt, 029.txt, 031.txt, 016.txt, 021.txt, 028.txt,
033.txt, 038.txt, 039.txt, 029.txt, 031.txt, 033.txt,
043.txt, 046.txt, 056.txt, 034.txt, 035.txt, 038.txt,
062.txt, 063.txt, 066.txt, 039.txt, 042.txt, 043.txt,
077.txt, 081.txt, 084.txt, 044.txt, 046.txt, 047.txt,
085.txt, 086.txt 056.txt, 060.txt, 062.txt,
063.txt, 064.txt, 066.txt,
071.txt, 072.txt, 079.txt,
077.txt, 080.txt, 081.txt,
084.txt, 085.txt, 086.txt,
087.txt
kulit 005.txt, 017.txt, 026.txt, 002.txt, 005.txt, 006.txt,
035.txt, 041.txt, 058.txt, 008.txt, 015.txt, 017.txt,
067.txt, 070.txt, 072.txt, 018.txt, 019.txt, 021.txt,
091.txt 023.txt, 026.txt, 030.txt,
031.txt, 032.txt, 033.txt,
034.txt, 035.txt, 037.txt,
038.txt, 039.txt, 041.txt,
043.txt, 046.txt, 047.txt,
050.txt, 054.txt, 055.txt,
056.txt, 058.txt, 059.txt,
061.txt, 062.txt, 064.txt,
067.txt, 068.txt, 070.txt,
072.txt, 073.txt, 074.txt,
076.txt, 079.txt, 081.txt,
084.txt, 086.txt, 087.txt,
090.txt, 091.txt
perawatan 006.txt, 007.txt, 011.txt, 006.txt, 007.txt, 011.txt,
012.txt, 013.txt, 019.txt, 012.txt, 013.txt, 019.txt,
023.txt, 028.txt, 030.txt, 023.txt, 028.txt, 030.txt,
034.txt, 037.txt, 044.txt, 034.txt, 037.txt, 038.txt,
047.txt, 055.txt, 059.txt, 039.txt, 040.txt, 041.txt,
061.txt, 064.txt, 068.txt, 042.txt, 043.txt, 044.txt,
069.txt, 071.txt, 075.txt, 047.txt, 055.txt, 059.txt,
079.txt, 087.txt, 093.txt 061.txt, 064.txt, 068.txt,
069.txt, 071.txt, 075.txt,
076.txt, 079.txt, 087.txt,
092.txt, 093.txt
saluran kemih 009.txt, 025.txt, 042.txt, 009.txt, 025.txt, 042.txt,
057.txt, 080.txt, 090.txt 043.txt, 057.txt, 080.txt,
081.txt, 086.txt, 090.txt

17
Lanjutan Lampiran 3 Gugus kueri dan jawaban dokumen tanaman obat
Kueri Uji Dokumen Relevan
pernapasan 010.txt, 024.txt, 040.txt,
045.txt, 060.txt
kronis 014.txt, 015.txt, 020.txt,
027.txt, 052.txt, 065.txt,
082.txt, 083.txt, 092.txt
Dokumen Hasil Temu
Kembali
010.txt, 013.txt, 016.txt,
020.txt, 024.txt, 026.txt,
040.txt, 045.txt, 060.txt,
067.txt
006.txt, 014.txt, 015.txt,
020.txt, 023.txt, 027.txt,
034.txt, 036.txt, 045.txt,
047.txt, 048.txt, 051.txt,
052.txt, 064.txt, 065.txt,
074.txt, 077.txt, 078.txt,
080.txt, 088.txt, 082.txt,
083.txt, 092.txt
18
Lampiran 4 Hasil analisis kinerja sistem temu kembali dokumen tanaman obat

Titik Recall
Kueri Uji 0 0.1 0.2 0.3 0.4 0.5 0.6 0.7 0.8 0.9 1
kronis 1 1 1 1 1 0.4814815 0.4814815 0.4814815 0.4814815 0.4814815 0.4814815
kulit 1 0.875 0.875 0.875 0.875 0.875 0.875 0.3478261 0.3478261 0.3225806 0.3225806
nyeri radang
demam 1 1 1 1 1 1 1 1 1 1 0.7307692
pencernaan 1 1 1 1 1 1 1 0.9047619 0.9047619 0.9047619 0.9047619
perawatan 1 1 1 1 1 1 1 0.9444444 0.8518519 0.8518519 0.8297872
pernapasan 1 1 1 1 1 1 1 1 1 1 1
saluran kemih 1 1 1 1 1 1 1 1 1 0.7333333 0.7333333
Rata-rata
interpolasi 1 0.9821429 0.9821429 0.9821429 0.9821429 0.9080688 0.9080688 0.8112163 0.7979888 0.756287 0.7146734
maksimum
1+0.9821429 +0.9821429 +0.9821429 +0.9821429+0.9080688 +0.9080688 +0.8112163 +0.7979888 +0.756287 +0.7146734
AVP = 0.8931
11

19
Lampiran 5 Antarmuka sistem clustering dokumen

Lampiran 6 Antarmuka hasil temu kembali dokumen

20