ANALISIS PERBANDINGAN COSINE NORMALIZATION DAN MIN...

ANALISIS PERBANDINGAN

COSINE NORMALIZATION DAN

MIN-MAX NORMALIZATION PADA PENGELOMPOKAN

TERJEMAHAN AYAT AL QURAN MENGGUNAKAN

ALGORITMA K-MEANS CLUSTERING

Skripsi

Diajukan sebagai salah satu syarat untuk memperoleh gelar

Sarjana Komputer

Oleh :

Dewinta Fenny

11150910000048

PROGRAM STUDI TEKNIK INFORMATIKA

FAKULTAS SAINS DAN TEKNOLOGI

UNIVERSITAS ISLAM NEGERI SYARIF HIDAYATULLAH

JAKARTA

2019 M/1441 H

ii

ANALISIS PERBANDINGAN

COSINE NORMALIZATION DAN




Skripsi

Diajukan sebagai salah satu syarat untuk memperoleh gelar

Sarjana Komputer

Oleh :

Dewinta Fenny

11150910000048

PROGRAM STUDI TEKNIK INFORMATIKA

FAKULTAS SAINS DAN TEKNOLOGI

UNIVERSITAS ISLAM NEGERI SYARIF HIDAYATULLAH

JAKARTA

2019 M/1441 H

iii

LEMBAR PERSETUJUAN

iv

LEMBAR PENGESAHAN

v

HALAMAN PERNYATAAN ORISINALITAS

vi

HALAMAN PERNYATAAN PERSETUJUAN PUBLIKASI

Sebagai civitas akademik UIN Syarif Hidayatullah Jakarta, saya yang bertanda

tangan di bawah ini:

Nama : Dewinta Fenny

NPM : 11150910000048

Program Studi : Teknik Informatika

Departemen : Teknik Informatika

Fakultas : Sains dan Teknologi

Jenis Karya : Skripsi

Demi pengembangan ilmu pengetahuan, menyetujui untuk memberikan kepada

Universitas Islam Negeri Syarif Hidayatullah Jakarta Hak Bebas Royalti

Nonekslusif (Non-exclusive Royalty Free Right) atas karya ilmiah yang berjudul:

ANALISIS PERBANDINGAN COSINE NORMALIZATION DAN




Beserta perangkat yang ada (jika diperlukan). Dengan Hak Bebas Royalti

Noneksklusif ini Univesitas Islam Negeri Syarif Hidayatullah Jakarta berhak

menyimpan, mengalihmedia/formatkan, mengelola dalam bentuk pangkalan data

(database), merawat, dan mempublikasikan tugas akhir saya selama tetap

mencantumkan nama saya sebagai penulis/pencipta dan sebagai pemilih Hak Cipta.

Demikian pernyataan ini saya buat dengan sebenarnya.

Dibuat di: Jakarta

Pada tanggal: November 2019

Yang menyatakan

(Dewinta Fenny)

NYATAAN PERSETUJUAN PUBLIKASI

vii

KATA PENGANTAR

Bismillahirrahmanirrahim...

Puji syukur penulis panjatkan kepada Allah SWT, karena atas nikmat dan

rahmat-Nya sehingga penulis dapat menyelesaikan skripsi ini. Penulisan skripsi ini

dilakukan dalam rangka memenuhi salah satu syarat untuk mencapai gelar Sarjana

Komputer Program Studi Teknik Informatika Fakultas Sains dan Teknologi

Universitas Islam Negeri Syarif Hidayatullah Jakarta. Proses penyelesaian skripsi

ini tidak lepas dari berbagai bantuan, dukungan, saran, dan kritik yang telah

penulis dapatkan, oleh karena itu dalam kesempatan ini penulis ingin

mengucapkan terima kasih kepada:

1. Kedua Orang tua dan keluarga penulis yang selalu mendo’akan, dan

mendukung penulis dalam mengerjakan skripsi.

2. Ibu Prof. Dr. Lily Surayya Eka Putri, M. Env. Stud selaku Dekan Fakultas

Sains dan Teknologi.

3. Bapak Dr. Imam Marzuki Shofi, M. T. selaku ketua Program Studi Teknik

Informatika, serta Bapak Andrew Fiade, M.Kom. selaku sekretaris Program

Studi Teknik Informatika.

4. Bapak Dr. Imam Marzuki Shofi, M. T. selaku Dosen Pembimbing I dan Ibu

Siti Ummi Masruroh, M.Sc., selaku Dosen Pembimbing II yang telah

memberikan bimbingan, motivasi, dan arahan kepada penulis, sehingga

skripsi ini bisa selesai dengan baik.

5. Kepada teman seperjuangan Teknik Informatika angkatan 2015, khususnya

TI-B yang sudah mensupport penulis dalam menyelesaikan skripsi ini, terima

kasih atas semua kenangan dan kebersamaan selama ini. Semoga kita bisa

lebih baik lagi dan sukses di masa yang akan datang.

6. Sahabat sekaligus teman suka duka serta canda tawa bersama semasa kuliah:

Ahmad Maulana Fazri, Fahmi Alfian , Nur Rina Utami, Nadya Maharani ,

Farah Manthovani, Putri Navia Rena, Alifia Ayu Z, Intan Maryam S, Dhimas

Endira, Renaldy Irfan, Kunhadji Rahmata , Nichyta Dian dan Agung Sidang.

viii

7. Seluruh pihak yang secara langsung maupun tidak langsung membantu

penulis dalam menyelesaikan skripsi ini.

Akhir kata, penulis menyadari bahwa dalam penyajian skripsi ini masih

jauh dari sempurna. Apabila ada kebenaran dari penulisan ini maka kebenaran

tersebut datangnya dari Allah, tetapi apabila ada kesalahan dalam penulisan ini

maka kesalahan ini berasal dari penulis. Semoga skripsi ini membawa manfaat

bagi pengembangan ilmu. Penulis berharap Allah SWT berkenan membalas

segala kebaikan semua pihak yang telah membantu dan meridhai segala usaha

kita.

Jakarta, November 2019

Dewinta Fenny

11150910000048

ix

Nama : Dewinta Fenny


Judul : Analisis Perbandingan Cosine Normalization dan Min-

max Normalization pada Pengelompokan Terjemahan

Ayat Al Quran Menggunakan Algoritma K-Means

Clustering

ABSTRAK

Penerapan Text Mining dalam memahami Al Quran sangat mungkin dilakukan,

karena dengan Text Mining dapat mencari kata-kata yang mewakili isi dari

dokumen sehingga dapat dilakukan analisis keterhubungan antar dokumennya.

Salah satu metode yang dapat digunakan dalam Text Mining yaitu clustering.

Algoritma K-Means merupakan salah satu metode clustering yang sering digunakan

dalam pengelompokan data. Metode Text Mining dengan menggunakan kata term

sebagai fitur akan menghasilkan dimensi vektor yang cukup besar. Selain itu pada

beberapa dataset terdapat rentang nilai yang berbeda disetiap atribut sehingga

dibutuhkan metode normalisasi untuk menyamakan rentang nilai. Penelitian ini

dilakukan dengan tahapan proses pre-processing, pembobotan data, normalisasi

data dan pengelompokan data. Pada penelitian ini dilakukan analisis perbandingan

metode normalisasi antara Cosine Normalization dan Min-max Normalization pada

pengelompokan terjemahan ayat Al Quran dengan menggunakan Algoritma K-

Means Clustering. Data sample yang digunakan pada penelitian ini adalah surah Al

Baqarah sebanyak 286 ayat. Hasil yang didapatkan berupa cluster dan analisis nilai

Silhouette Coefficient, runtime dan memory consumption. Hasil dari penelitian ini

clustering dengan metode Min-max Normmalization mendapatkan nilai Silhouette

Coefficient terbesar yaitu 0,611 pada nilai k=2 dan clustering dengan Cosine

Normalization memiliki nilai terbaik untuk runtime dan memory consumption.

Kata Kunci : Clustering, Terjemahan Ayat Al Quran, K-Means, Cosine

Normalization, Min-max Normalization.

Jumlah Pustaka : 16 buku dan 22 jurnal.

Jumlah Halaman : 115 halaman

x

Name : Dewinta Fenny


Title : Comparison Analysis of Cosine Normalization and

Min-max Normalization in Clustering Translation of Al-

Quran Verses Using K-Means Clustering Algorithm

ABSTRACT

The application of mining text in the Qur'an is very possible because by mining the

text can search for words that represent the contents of the document so that it can

be analyzed the relationship between the documents. One method that can be used

in Text Mining is clustering. K-Means algorithm is one of the grouping methods

that are often used in grouping data. The Text Mining method using the term as a

feature will produce a large vector dimension. Also in some datasets, a different

value is needed in each attribute Normalization method is needed to equalize the

range of values. This research was conducted with the stages of the pre-processing

process, weighting data, normalization data and grouping data. In this study, an

analysis of the normalization method between Cosine Normalization and Min-max

Normalization in the grouping of translation of Al-Quran verses using the K-Means

Clustering Algorithm. The sample data used in this study is Surah Al Baqarah as

many as 286 verses. The results obtained consist of cluster and analysis of

Silhouette Coefficient values, runtime, and memory consumption. The results of

this study grouping with the Min-max Normalization method get the largest

silhouette coefficient value of 0.611 at k = 2 and grouping with Cosine

Normalization has the best value for runtime and memory consumption.

Keywords : Clustering, Translation of Quranic Verse, K-Means, Cosine

Normalization, Min-max Normalization.

Bibliography : 16 books and 22 journals.

Number of Pages : 115 pages

xi

DAFTAR ISI

LEMBAR PERSETUJUAN................................................................................... iii

LEMBAR PENGESAHAN ................................................................................... iii

HALAMAN PERNYATAAN ORISINALITAS .................................................... v

HALAMAN PERNYATAAN PERSETUJUAN PUBLIKASI ............................. vi

KATA PENGANTAR .......................................................................................... vii

ABSTRAK ............................................................................................................. ix

ABSTRACT ............................................................................................................ x

DAFTAR ISI .......................................................................................................... xi

DAFTAR GAMBAR ............................................................................................ xv

DAFTAR TABEL ................................................................................................ xvi

BAB 1 PENDAHULUAN ...................................................................................... 1

1.1 Latar Belakang ......................................................................................... 1

1.2 Rumusan Masalah .................................................................................... 4

1.3 Batasan Masalah ....................................................................................... 4

1.4 Tujuan Penelitian ...................................................................................... 5

1.5 Manfaat Penelitian .................................................................................... 5

1.5.1 Bagi Penulis ...................................................................................... 5

1.5.2 Bagi Universitas ................................................................................ 6

1.5.3 Bagi Pembaca .................................................................................... 6

1.6 Metodologi Penelitian .............................................................................. 6

1.6.1 Metode Pengumpulan Data ............................................................... 6

1.6.2 Metode Pengembangan Sistem ......................................................... 7

1.6.3 Metode Pengambilan Keputusan....................................................... 7

1.7 Sistematika Penulisan ............................................................................... 7

BAB 2 LANDASAN TEORI .................................................................................. 9

2.1. Al Quran ................................................................................................... 9

2.2. Text Mining ............................................................................................... 9

2.3. Clustering ............................................................................................... 10

2.4. Algoritma ................................................................................................ 10

2.5. Text Preprocessing ................................................................................. 11

2.5.1. Case Folding ................................................................................... 11

xii

2.5.2. Tokenization .................................................................................... 11

2.5.3. Filtering .......................................................................................... 12

2.5.4. Stemming ......................................................................................... 12

2.6. Algoritma Nazief & Andriani ................................................................ 12

2.6.1. Tahapan Algoritma Nazief & Andriani........................................... 13

2.6.2. Alasan menggunakan Algoritma Nazief & Andriani ...................... 14

2.7. Algoritma TF-IDF .................................................................................. 14

2.8. Normalisasi ............................................................................................. 15

2.8.1. Cosine Normalization ..................................................................... 16

2.8.2. Min-max Normalization .................................................................. 16

2.9. Algoritma K-Means Clustering .............................................................. 17

2.9.1. Pengertian Algoritma K-Means Clustering ..................................... 17

2.9.2. Tahapan Algoritma K-Means Clustering ........................................ 17

2.10. Silhouette Coefficient .......................................................................... 18

2.11. Metode Perbandingan Eksponensial ................................................... 20

2.11.1. Tahapan Metode Perbandingan Eksponensial ............................. 20

2.11.2. Formulasi Perhitungan Metode Perbandingan Eksponensial ...... 20

2.11.3. Keuntungan Metode Perbandingan Eksponensial ....................... 21

2.12. Studi Pustaka....................................................................................... 21

2.13. Metode Simulasi ................................................................................. 22

2.13.1. Problem Formulation .................................................................. 22

2.13.2. Conceptual Model ....................................................................... 22

2.13.3. Input / Output Data ..................................................................... 23

2.13.4. Modelling ..................................................................................... 23

2.13.5. Simulation .................................................................................... 24

2.13.6. Verification and Validation ......................................................... 24

2.13.7. Eksperimentation ......................................................................... 24

2.13.8. Output Analysis ........................................................................... 24

2.14. Studi Literatur Sejenis ........................................................................ 25

BAB 3 METODOLOGI PENELITIAN................................................................ 30

3.1. Metode Pengumpulan Data .................................................................... 30

3.1.1. Sumber Data .................................................................................... 30

3.1.2. Studi Pustaka ................................................................................... 30

3.2. Metode Pengembangan Sistem .............................................................. 31

xiii

3.2.1. Problem Formulation ...................................................................... 31

3.2.2. Conceptual Model ........................................................................... 31

3.2.3. Input Output Data ........................................................................... 31

3.2.4. Modelling ........................................................................................ 32

3.2.5. Simulation ....................................................................................... 32

3.2.6. Verification and Validation ............................................................. 32

3.2.7. Experimentation .............................................................................. 32

3.2.8. Output Analysis ............................................................................... 33

3.3. Kerangka Berpikir .................................................................................. 33

BAB 4 IMPLEMENTASI, SIMULASI, DAN EKSPERIMEN ........................... 35

4.1. Problem Formulation ............................................................................. 35

4.2. Conceptual Model .................................................................................. 35

4.2.1. Conceptual Model Preprocessing ................................................... 36

4.2.2. Conceptual Model Algoritma K-Means Clustering dengan

menggunakan Cosine Normalization ............................................................ 41


menggunakan Min-max Normalization ......................................................... 44

4.3. Input/Output Data .................................................................................. 45

4.3.1. Input ................................................................................................ 45

4.3.2. Output .............................................................................................. 46

4.4. Modelling ................................................................................................ 46

4.4.1. Konstruksi Cosine Normalization pada Clustering Algoritma K-

Means 46

4.4.2. Konstruksi Min-max Normalization pada Clustering Algoritma K-

Means 59

4.5. Simulation ............................................................................................... 68

4.6. Verification and Validation .................................................................... 69

4.7. Experimentation ..................................................................................... 69

4.8. Output Analisys ...................................................................................... 69

BAB 5 HASIL DAN PEMBAHASAN................................................................. 70

5.1 Verifikasi dan Validasi (Verification and Validation) ........................... 70

5.2 Eksperimentasi (Experimentation) ......................................................... 71

5.3 Analisis Keluaran (Output Analysis) ...................................................... 72

5.3.1 Skenario 1 ....................................................................................... 72

5.3.1.1 Nilai k=2 ...................................................................................... 72

xiv

5.3.1.2 Nilai k=3 ...................................................................................... 72

5.3.1.3 Nilai k=4 ...................................................................................... 73

5.3.1.4 Nilai k=5 ...................................................................................... 74

5.3.1.5 Nilai k=6 ...................................................................................... 74

5.3.1.6 Nilai k=7 ...................................................................................... 75

5.3.1.7 Nilai k=8 ...................................................................................... 76

5.3.2 Skenario 2 ....................................................................................... 76

5.3.2.1 Nilai k=2 ...................................................................................... 76

5.3.2.2 Nilai k=3 ...................................................................................... 77

5.3.2.3 Nilai k=4 ...................................................................................... 78

5.3.2.4 Nilai k=5 ...................................................................................... 79

5.3.2.5 Nilai k=6 ...................................................................................... 79

5.3.2.6 Nilai k=7 ...................................................................................... 80

5.3.2.7 Nilai k=8 ...................................................................................... 81

5.4 Analisis Hasil Perbandingan................................................................... 81

5.4.1 Skenario 1 ....................................................................................... 82

5.4.2 Skenario 2 ....................................................................................... 84

5.5 Analisis Output dengan Metode Perbandingan Eksponensial ................ 86

BAB 6 PENUTUP ................................................................................................ 93

6.1 Kesimpulan ............................................................................................. 93

6.2 Saran ....................................................................................................... 93

DAFTAR PUSTAKA ........................................................................................... 95

LAMPIRAN .......................................................................................................... 98

xv

DAFTAR GAMBAR

Gambar 3.1 Kerangka Berfikir .............................................................................. 34 Gambar 4.1 Diagram Alur Preprocessing ............................................................. 36 Gambar 4.2 Flowchart Case Folding .................................................................... 37 Gambar 4.3 Flowchart Tokenization .................................................................... 38 Gambar 4.4 Flowchart Stopwords Removal ......................................................... 39 Gambar 4.5 Flowchart Algoritma Nazief & Andriani .......................................... 40 Gambar 4.6 Proses Skenario 1 Clustering K-Means dengan Cosine Normalization

............................................................................................................................... 41

Gambar 4.7 Proses Algoritma K-Means ............................................................... 43 Gambar 4.8 Proses Skenario 2 Clustering K-Means dengan Min-max

Normalization ........................................................................................................ 44 Gambar 4.9 Contoh Simulasi Skenario 1 .............................................................. 68 Gambar 4.10 Contoh Simulasi Skenario 2 ............................................................ 69 Gambar 5.1 Hasil Runtime Skenario 1 ................................................................. 82 Gambar 5.2 Hasil Memory Consumption Skenario 1 ........................................... 83 Gambar 5.3 Hasil Silhouette Coefficient Skenario 1 ............................................ 83 Gambar 5.4 Hasil Runtime Skenario 2 ................................................................. 85 Gambar 5.5 Hasil Memory Consumption Skenario 2 ........................................... 85 Gambar 5.6 Hasil Silhouette Coefficient Skenario 2 ............................................ 86

xvi

DAFTAR TABEL

Tabel 2.1 Studi Literatur Sejenis ........................................................................... 26 Tabel 4.1 Contoh Hasil Case Folding ................................................................... 37 Tabel 4.2 Contoh Hasil Tokenization ................................................................... 38 Tabel 4.3 Contoh Hasil Stopword Removal ......................................................... 39 Tabel 4.4 Contoh Hasil Stemming ........................................................................ 40 Tabel 4.5 Teks terjemahan ayat Al Quran ............................................................ 47 Tabel 4.6 Hasil Case folding ................................................................................. 47 Tabel 4.7 Hasil Tokenization ................................................................................ 48

Tabel 4.8 Hasil Stopword Removal ...................................................................... 49 Tabel 4.9 Hasil Stemming ..................................................................................... 49 Tabel 4.10 Hasil Perhitungan IDF ........................................................................ 50 Tabel 4.11 Hasil Perhitungan W (term weighting) ............................................... 51 Tabel 4.12 Hasil Normalisasi Cosine Normalization ............................................ 53 Tabel 4.13 Centroid Awal Skenario-1 .................................................................. 54 Tabel 4.14 Jarak dari hasil iterasi ke-1 Skenario-1 ............................................... 55 Tabel 4.15 Hasil Clustering Iterasi ke-1 Skenario-1 ............................................. 55 Tabel 4.16 Centroid Baru ke-1 Skenario-1 ........................................................... 55 Tabel 4.17 Jarak dari hasil iterasi ke-2 Skenario-1 ............................................... 56 Tabel 4.18 Hasil Clustering Iterasi ke-2 Skenario-1 ............................................. 56 Tabel 4.19 Centroid Baru ke-2 Skenario-1 ........................................................... 56 Tabel 4.20 Jarak dari hasil iterasi ke-3 Skenario-1 ............................................... 57 Tabel 4.21 Hasil Clustering Iterasi ke-3 Skenario-1 ............................................. 57

Tabel 4.22 Centroid Baru ke-3 Skenario-1 .......................................................... 57 Tabel 4.23 Hasil Akhir Clustering Skenario 1 ...................................................... 57 Tabel 4.24 Hasil perhitungan nilai a(i) Skenario-1 ............................................... 58 Tabel 4.25 Hasil perhitungan nilai d(i,C) dan b(i) Skenario-1 ............................. 58 Tabel 4.26 Hasil perhitungan nilai s(i) Skenario-1 ............................................... 59

Tabel 4.27 Hasil Perhitungan IDF ........................................................................ 60 Tabel 4.28 Hasil Perhitungan W (term weighting) ............................................... 61 Tabel 4.29 Hasil Normalisasi Min-max Normalization ........................................ 62 Tabel 4.30 Centroid Awal Skenario-2 .................................................................. 64 Tabel 4.31 Jarak dari hasil iterasi ke-1 Skenario-2 ............................................... 64

Tabel 4.32 Hasil Clustering Iterasi ke-1 Skenario-2 ............................................. 65 Tabel 4.33 Centroid Baru ke-1 Skenario-2 ........................................................... 65 Tabel 4.34 Jarak dari hasil iterasi ke-2 Skenario-2 .............................................. 65

Tabel 4.35 Hasil Clustering Iterasi ke—2 Skenario-2 .......................................... 65 Tabel 4.36 Centroid Baru ke-2 Skenario-2 ........................................................... 66 Tabel 4.37 Centroid ke-2 Skenario-2 ................................................................... 66 Tabel 4.38 Hasil Akhir Clustering Skenario-2 ...................................................... 66

Tabel 4.39 Hasil perhitungan nilai a(i) Skenario-2 ............................................... 67 Tabel 4.40 Hasil perhitungan nilai d(i,C) dan b(i) Skenario-2 ............................. 67 Tabel 4.41 Hasil perhitungan nilai s(i) Skenario-2 ............................................... 68

xvii

Tabel 5.1 Pengujian ............................................................................................... 71 Tabel 5.2 Hasil Nilai k=2 Skenario-1 ................................................................... 72 Tabel 5.3 Hasil Nilai k=3 Skenario-1 ................................................................... 72 Tabel 5.4 Hasil Nilai k=4 Skenario-1 ................................................................... 73 Tabel 5.5 Hasil Nilai k=5 Skenario-1 ................................................................... 74 Tabel 5.6 Hasil Nilai k=6 Skenario-1 ................................................................... 74 Tabel 5.7 Hasil Nilai k=7 Skenario-1 ................................................................... 75 Tabel 5.8 Hasil Nilai k=8 Skenario-1 ................................................................... 76 Tabel 5.9 Hasil Nilai k=2 Skenario-2 ................................................................... 76 Tabel 5.10 Hasil Nilai k=3 Skenario-2 ................................................................. 77 Tabel 5.11 Hasil Nilai k=4 Skenario-2 ................................................................. 78 Tabel 5.12 Hasil Nilai k=5 Skenario-2 ................................................................. 79

Tabel 5.13 Hasil Nilai k=6 Skenario-2 ................................................................. 79 Tabel 5.14 Hasil Nilai k=7 Skenario-2 ................................................................. 80 Tabel 5.15 Hasil Nilai k=8 Skenario-2 ................................................................. 81 Tabel 5.16 Hasil Perbandingan Skenario 1 ........................................................... 82 Tabel 5.17 Hasil Perbandingan Skenario 2 ........................................................... 84 Tabel 5.18 Penentuan Kriteria............................................................................... 87 Tabel 5.19 Pembobotan masing-masing kriteria ................................................... 88 Tabel 5.20 Pemberian Nilai Kriteria ..................................................................... 88 Tabel 5.21 Prioritas Keputusan ............................................................................. 91

1

BAB 1

PENDAHULUAN

1.1 Latar Belakang

Pengetahuan menjadi hal yang penting dan utama dalam kehidupan

manusia. Bukan hanya ilmu pengetahuan umum tetapi ilmu agama juga

menjadi suatu kewajiban bagi umat muslim untuk dipelajari. Kitab suci Al

Quran tidak akan lepas dari umat islam, dikarenakan Al Quran merupakan

sumber ilmu pengetahuan yang diberikan oleh Allah SWT kepada

hambanya. Allah SWT telah menjelaskan hikmah dari diturunkannya Al

quran yaitu untuk ditadabburi dan diambil pelajarannya, sebagaimana

disebutkan dalam firman-Nya (Ukkasyah, 2018).

“Ini adalah sebuah Kitab yang Kami turunkan kepadamu penuh

dengan berkah supaya mereka metadabburi ayat-ayatnya dan supaya

orang-orang yang mempunyai pikiran (sehat) mendapat pelajaran.” (QS.

Shaad :29).

Menurut Dr. Subhi as-Salih mendefinisikan “Al Quran sebagai

kalam Allah SWT yang merupakan mukzijat yang diturunkan kepada Nabi

Muhammad SAW dan ditulis pada mushaf serta diriwayatkan dengan

mutawir, membacanya termasuk ibadah”. Sedangkan menurut

Muhammad Ali ash-Shabuni mendefinisikan “Al Quran sebagai firman

Allah SWT yang tiada tandingannya, diturunkan kepada Nabi Muhammad

SAW penutup para nabi dan rasul, dengan perantaraan Malaikat Jibril a.s,,

dan ditulis pada mushaf-mushaf yang kemudian disampaikan kepada kita

secara mutawatir, membaca dan mempelajarinya merupakan ibadah yang

dimulai dari surah al-Fatihah dan ditutup dengan surah an-Naas” (Hamid,

2016).

2

UIN Syarif Hidayatullah Jakarta

Al Quran terdiri atas banyak tema dari setiap surah yang berbeda.

Untuk mendapatkan cerminan utuh, pembaca harus melihat dan merujuk

semua bagian yang saling berhubungan (Abbas, 2009).

Penerapan text mining dalam memahami Al Quran sangat mungkin

dilakukan, karena secara komputasi, Al Quran memiliki informasi semi

terstruktur karena diatur dalam struktur nomor surat dan ayat. Ini

memudahkan pemodelan, berbeda dengan teks tidak terstruktur seperti

novel atau biografi (Ahmad et al., 2013). Pengelompokan ayat yang

memiliki kemiripan tema akan memudahkan pengguna menemukan suatu

tema dalam Al Quran.

Penelitian sebelummnya oleh (Faizin, 2018) telah

mengimplementasikan Text Mining untuk mengelompokkan terjemahan

ayat Al Quran dalam Bahasa Indonesia. Text mining, yang juga disebut

sebagai Teks Data Mining (TDM) atau Knowledge Discovery in Text

(KDT), secara khusus dikembangkan untuk proses ekstraksi informasi dari

dokumen-dokumen teks tak terstruktur (unstructured). Text mining

memiliki definisi menambang data berupa teks di mana sumber data

biasanya didapatkan dari dokumen dan tujuannya adalah untuk mencari

kata-kata yang dapat mewakili isi dari dokumen sehingga dapat dilakukan

analisis keterhubungan antar dokumen (Yulian, 2018). Salah satu metode

yang digunakan dalam Text Mining yaitu clustering. Algoritma K-Means

adalah salah satu metode clustering yang sering digunakan dalam

pengelompokan data. Untuk menguji hasil dari clustering diperlukan juga

suatu metode yang dapat mengukur kekuatan dan kualitas sebuah cluster,

salah satu metode yang dapat digunakan adalah Metode Sillhouette

Coefficient.

Sebelumnya terdapat beberapa penelitian yang menerapkan

algoritma K-Means. Penelitian pertama yaitu yang telah disebutkan

sebelummnya oleh (Faizin, 2018) telah mengimplementasikan Text

Mining untuk mengelompokkan terjemahan ayat Al Quran dalam Bahasa

Indonesia menggunakan Algoritma K-Means Clustering menghasilkan

3


akurasi 43%. Penelitian kedua yaitu membandingkan Algoritma K-Means

dan DBSCAN pada pengelompokan data rumah kost mahasiswa

dikelurahan Tembalang Semarang mendapati hasil Algoritma K-Means

lebih unggul dari DBSCAN dengan nilai indeks silhouette 0,463

(Budiman, Safitri, & Ispriyanti, 2016).

Sebelum melakukan proses clustering ada beberapa tahapan dasar

yang harus dilakukan yaitu preprocessing dan pembobotan kata atau term

weighting. Menurut (Hudin, Fauzi, & Adinugroho, 2018) metode Text

Mining dengan menggunakan kata term sebagai fitur akan menghasilkan

dimensi vektor yang cukup besar. Selain itu pada beberapa dataset terdapat

rentang nilai yang berbeda disetiap atribut. Menurut (Domeniconi, Moro,

B, & Sartori, 2016) perhitungan dokumen dengan TF-IDF akan memiliki

nilai bobot yang berbeda tergantung dengan panjang tidaknya suatu

dokumen. Perbedaan rentang nilai pada setiap atribut menyebabkan tidak

berfungsinya atribut yang memiliki nilai jauh lebih kecil dibandingkan

dengan atribut-atribut lainnya (Nasution, Khotimah, & Chamidah, 2019).

Sehingga disarankan untuk menambahkan metode yang dapat

mereduksi ukuran dimensi yang cukup besar tersebut. Secara umum

ada dua tipe metode reduksi yang biasa digunakan antara lain

transformasi fitur dan feature selection (Hudin et al., 2018). Menurut

(Nasution et al., 2019) dan (Domeniconi et al., 2016) transformasi fitur

dengan normalisasi dapat menyamakan rentang nilai pada setiap atribut

dengan skala tertentu.

Pada penelitian sebelumnya yang dilakukan oleh (Faizin, 2018) telah

mengimplementasikan normalisasi sebagai transformasi fitur dengan

menggunakan Cosine Normalization pada pengelompokan teks

terjemahan ayat Al Quran dan menghasilkan akurasi sebesar 43% pada

nilai k=4. Selain Cosine Normalization, transformasi data dengan

normalisasi dapat dilakukan juga dengan beberapa cara, yaitu Min-

max Normalization, Z-score Normalization, Decimal Scaling, Sigmoid,

dan Softmax (Nasution et al., 2019). Penelitian sebelumnya oleh (Nasution

4


et al., 2019) telah melakukan perbandingan metode normalisasi yaitu pada

Decimal Scaling, Min-max Normalization dan Z-score Normalization

untuk klasifikasi wine menggunakan Algoritma K-NN, menghasilkan

akurasi terbaik pada metode Min-max Normalization dengan K=1 sebesar

65,92%. Penelitian sebelumnya juga telah dilakukan oleh (Jamdar,

Abraham, Khanna, & Dubey, 2015) yaitu menerapkan Min-max

Normalization sebagai feature scaling atau normalisasinya menghasilkan

rata-rata akurasi sebesar 83,40%. Dalam penelitian (Virmani, Taneja, &

Malhotra, 2015) menyatakan bahwa normalisasi dapat meningkatkan

efektifitas dari hasil yang dikeluarkan oleh sistem, terutama pada

sistem yang menggunakan jarak euclidean seperti Algoritma K-Means.

Berdasarkan uraian latar belakang yang telah dijelaskan, maka

penulis ingin melakukan sebuah penelitian membandingkan kedua metode

normalisasi tersebut dengan melakukan pengujian nilai silhouette

coefficient, runtime dan memory consumption yang berjudul “ Analisis

Perbandingan Cosine Normalization dan Min-max Normalization

pada Pengelompokan Teks Terjemahan Ayat Al Quran

Menggunakan Algoritma K-Means Clustering”.

1.2 Rumusan Masalah

Berdasarkan latar belakang sebelumnya maka dapat disimpulkan

rumusan permasalahan yang akan diangkat pada penelitian ini adalah

Bagaimana perbandingan nilai silhouette coefficient, runtime dan memory

consumption Cosine Normalization dan Min-max Normalization pada

Pengelompokan teks terjemahan ayat Al Quran dengan Algoritma K-

Means Clustering.

1.3 Batasan Masalah

Dalam penelitian ini, peneliti melakukan pembatasan masalah

terhadap masalah penelitian yang akan dilakukan, yakni:

1. Dataset yang digunakan sebagai sample pada penelitian ini adalah

Surah Al Baqarah ayat 2-286.

5


2. Nilai k yang digunakan pada Algoritma K-Means Clustering adalah k

= 2, k=3, k=4, k=5, k=6, k=7, k=8 .

3. Menggunakan Algoritma Nazief dan Andriani pada proses stemming.

4. Menggunakan Algoritma TF-IDF pada proses pembobotan kata.

5. Metode Implementasi yang digunakan dalam penelitian ini yaitu

metode simulasi.

6. Skenario yang diambil dalam simulasi berdasarkan metode normalisasi

yang dipakai.

7. Pengujian cluster dilakukan dengan menggunakan metode sillhouette

coefficient.

8. Parameter perbandingan kinerja algoritma yang digunakan, yaitu

waktu pemrosesan (runtime), memori yang digunakan untuk

pemrosesan (memory consumption) dan nilai silhouette coefficient.

9. Perbandingan (runtime) dan (memory consumption) menggunakan

metode pengambilan keputusan yaitu menggunakan Metode

Perbandingan Eksponensial.

1.4 Tujuan Penelitian

Tujuan yang ingin dicapai dalam penelitian ini adalah menganalisa

tingkat nilai silhouette coefficient, (runtime) dan (memory consumption)

dari hasil perbandingan Cosine Normalization dan Min-max

Normalization pada pengelompokan teks terjemahan ayat Al Quran

dengan Algoritma K-Means Clustering.

1.5 Manfaat Penelitian

Adapun manfaat yang didapat dari hasil penelitian ini adalah :

1.5.1 Bagi Penulis

1) Dapat menerapkan ilmu-ilmu yang telah diajarkan selama masa

perkuliahan.

2) Membandingkan teori yang telah didapat saat kuliah dengan

masalah yang sebenarnya.

6


3) Memberikan referensi untuk penulisan penelitian dengan

menggunakan algoritma yang sama.

4) Menjadi tolak ukur untuk mahasiswa untuk penelitian

selanjutnya agar lebih baik lagi dari penelitian sebelumnya.

1.5.2 Bagi Universitas

1) Mengetahui kemampun mahasiswa dalam mengusai materi

teori yang telah diperoleh pada masa kuliah ataupun materi yang

sesuai dengan program studinya.

2) Mengukur tingkat kemampuan mahasiswa dalam menerapkan

ilmu akademis maupun non-akademis di lingkungan

masyarakat.

1.5.3 Bagi Pembaca

1) Menambah wawasan pembaca mengenai Min-max

Normalization dan Algoritma K-Means Clustering, dalam

melakukan pengelompokan teks.

2) Membantu pembaca dalam menerapkan Min-max

Normalization dan Algoritma K-Means Clustering.

1.6 Metodologi Penelitian

Metode yang digunakan penulis dalam penulisan dan penelitian

dibagi menjadi tiga, yaitu metode pengumpulan data, metode

pengembangan sistem dan metode pengambilan keputusan. Berikut

penjelasan kedua metode tersebut :

1.6.1 Metode Pengumpulan Data

Metode pengumpulan data dilakukan dengan studi

kepustakaan untuk mengumpulkan data dengan mencari informasi

lewat buku, jurnal, e-book, dan sumber-sumber tertulis lainnya baik

tercetak maupun elektronik yang bertujuan untuk mendukung

sebuah penelitan.

7


1.6.2 Metode Pengembangan Sistem

Pada penelitian ini Penulis melakukan simulasi terhadap

sistem yang dibuat. Adapun langkah-langkah yang dilakukan yaitu :

1. Problem Formulation

2. Conceptual Model

3. Input Output Data

4. Modelling

5. Simulation

6. Verification and Validation

7. Experimentation

8. Output Analysis

1.6.3 Metode Pengambilan Keputusan

Penulis menggunakan metode pengambilan keputusan, yaitu

Metode Perbandingan Eksponensial yang digunakan untuk

perankingan hasil dari masing-masing metode normalisasi, sehingga

dapat diketahui metode normalisasi yang terbaik.

1.7 Sistematika Penulisan

Untuk memudahkan dalam penulisan laporan tugas akhir ini, penulis

menyusunnya ke dalam beberapa bagian. Setiap babnya terdiri dari

beberapa sub bab tersendiri. Dimana bab tersebut secara keseluruhan

saling berkaitan satu sama lain. Berikut penjelasan singkat dari masing-

masing bab:

BAB 1 PENDAHULUAN

Pada bab ini peneliti menjelaskan terkait latar belakang dari dari

sebuah permasalahan yang diangkat, tujuan penelitian, manfaat

penelitian, rumusan masalah, batasan masalah, metodologi

penelitian, dan sistematika penulisan pada tugas skripsi ini.

BAB 2 LANDASAN TEORI

8


Pada bab ini peneliti menjelaskan tentang materi-materi apa saja

yang dipakai untuk dijadikan dasar penelitian yang sedang

dilakukan.

BAB 3 METODE PENELITIAN

Pada bab ini peneliti menjelaskan tentang metode penelitian apa

yang dipakai untuk mendapatkan data dan metode untuk

pengembangan sistem yang telah dibuat serta kerangka berpikir

pembuatan tugas akhir ini.

BAB 4 IMPLEMENTASI, SIMULASI, DAN EKSPERIMEN

Pada bab ini menjelaskan tentang implementasi dari metode yang

telah digunakan untuk perancangan membangun sebuah sistem dan

tahapan proses menganalisa simulasi.

BAB 5 HASIL DAN PEMBAHASAN

Pada bab ini peneliti membahas tentang hasil yang telah didapat dari

proses simulasi yang telah dilakukan pada bab sebelumnya.

BAB 6 PENUTUP

Pada bab ini peneliti menjelaskan tentang kesimpulan dari hasil yang

telah didapat dan menjawab semua pokok permasalahan yang

dirancang serta saran-saran yang digunakan untuk penelitian lebih

lanjut.

9

BAB 2

LANDASAN TEORI

2.1. Al Quran

Al-Quran bagi kaum muslimin adalah kalam Allah SWT yang

diwahyukan kepada Nabi Muhammad SAW melalui perantaraan Jibril as

selama kurang lebih dua puluh tiga tahun. Kitab suci ini memiliki kekuatan

luar biasa yang berada di luar kemampuan seluruh makhluk Allah swT.

"Sekiranya kami turunkan Al-Qur'an ini kepada sebuah gunung, maka kamu

akan melihatnya tunduk terpecah belah karena takut kepada Allah SWT” (QS,

al-Hasyr [59]: 21).

Kandungan pesan llahi yang disampaikan oleh Nabi SAW dalam

bentuk Al Quran ini telah menjadi landasan kehidupan individual dan sosial

kaum Muslimin dalam segala aspeknya, bahkan masyarakat Muslim

mengawali eksistensinya dan telah memperoleh kekuatan hidup dengan

merespons dakwah Al Quran. Itulah sebabnya Al Quran berada di jantung

kehidupan umat Muslim. Namun tanpa pemahaman yang semestinya

terhadap Al Quran, kehidupan, pemikiran, dan kebudayaan kaum Muslimin

sangat sulit dipahami (Hamid, 2016).

2.2. Text Mining

Text mining (penambangan teks) adalah penambangan yang dilakukan

oleh komputer untuk mendapatkan sesuatu yang baru, sesuatu yang tidak

diketahui sebelumnya atau menemukan kembali informasi yang tersirat

secara implisit, yang berasal dari informasi yang di ekstrak secara otomatis

dari sumber-sumber data teks yang berbeda-beda (Feldman & Sanger, 2007).

Text mining merupakan teknik yang digunakan untuk menangani masalah

klasifikasi, pengklasteran, ekstraksi informasi dan information retrival (Berry

& Kogan, 2010).

Pada dasarnya proses kerja text mining banyak mengadopsi dari

penelitian data mining namun yang menjadi perbedaan adalah pola yang

digunakan oleh text mining diambil dari sekumpulan bahasa alami yang tidak

10


terstruktur sedangkan dalam data mining pola yang diambil dari database

yang terstruktur (Han, Kamber, & Pei, 2011). Tahap- tahap text mining secara

umum adalah text preprocessing dan seleksi fitur (Feldman & Sanger, 2007).

2.3. Clustering

Clustering atau klasterisasi adalah suatu teknik atau metode untuk

mengelompokkan data. Menurut Tan, 2006 clustering adalah sebuah proses

untuk mengelompokan data ke dalam beberapa cluster atau kelompok

sehingga data dalam satu cluster memiliki tingkat kemiripan yang maksimum

dan data antar cluster memiliki kemiripan yang minimum. Clustering

merupakan proses partisi satu set objek data ke dalam himpunan bagian yang

disebut dengan cluster, Objek yang di dalam cluster memiliki kemiripan

karakteristik antar satu sama lainnya dan berbeda dengan cluster yang lain.

Partisti tidak dilakukan secara manual melainkan dengan suatu algoritma

clustering, Oleh karena itu, clustering sangat berguna dan bisa menemukan

group atau kelompok yang tidak dikenal dalam data (Irwansyah & Faisal,

2015).

Menurut (Merliana, Ernawati, & Santoso, 2015) clustering juga bisa

dikatakan suatu proses dimana mengelompokan dan membagi pola data

menjadi beberapa jumlah data set sehingga akan membentuk pola yang serupa

dan dikelompokkan pada cluster yang sama dan memisahkan diri dengan

membentuk pola yang berbeda di cluster yang berbeda.

Dapat disimpulkan clustering adalah proses untuk mengelompokan

data menjadi beberapa kelompok, dimana setiap isi kelompok memiliki pola

yang sama.

2.4. Algoritma

Beberapa definisi dari algoritma, yaitu algoritma adalah deretan

langkah-langkah komputasi yang mentransformasikan data masukan menjadi

keluaran. Algoritma adalah deretan instruksi yang jelas untuk

memecahkan persoalan, yaitu untuk memperoleh luaran yang diinginkan dari

suatu masukan dalam jumlah waktu yang terbatas (Munir & Lidya, 2016).

11


Sedangkan menurut (Sitorus, 2015) Algoritma adalah susunan langkah

penyelesaian suatu masalah secara sistematika dan logis.

Dapat disimpulkan, algoritma adalah langkah-langkah untuk

menyelesaikan masalah untuk menghasilkan suatu ouput.

2.5. Text Preprocessing

Text Preprocessing merupakan tahapan dari proses awal terhadap teks

untuk mempersiapkan teks menjadi data yang akan diolah lebih lanjut. Suatu

teks tidak dapat diproses langsung oleh algoritma pencarian, oleh karena itu

dibutuhkan preprocessing text untuk mengubah teks menjadi data numeric.

Sebuah teks yang ada harus dipisahkan, hal ini dapat dilakukan dalam

beberapa tingkatan yang berbeda. Suatu dokumen dapat di pecah menjadi

bab, sub-bab, paragraf, kalimat dan pada akhirnya menjadi potongan

kata/token. Selain itu pada tahapan ini keberadaan digit angka, huruf kapital,

atau kerakter-karakter yang lainnya dihilangkan dan dirubah (Feldman &

Sanger, 2007).

Proses preprocessing dilakukan agar data yang digunakan bersih dari

noise, memiliki dimensi yang lebih kecil, serta lebih terstruktur, sehingga

dapat diolah lebih lanjut. Tahap preprocessing memiliki beberapa proses,

yaitu case folding, stopwords removing, tokenizing, dan stemming

(Prasidhatama & Suryaningrum, 2018). Berikut ini tahapan-tahapan dari text

preprocessing :

2.5.1. Case Folding

Case Folding adalah mengubah semua huruf dalam dokumen

menjadi huruf kecil. Hanya huruf a sampai z yang diterima.

Karakter selain huruf dihilangkan dan dianggap delimiter (Salim,

2017).

2.5.2. Tokenization

Tokenization adalah proses dimana sebuah kalimat dipotong

untuk menghasilkan kata-kata yang akan digunakan untuk proses

selanjutnya (Prasidhatama & Suryaningrum, 2018).

12


2.5.3. Filtering

Filtering adalah tahap mengambil kata-kata penting dari

hasil token. Terdapat beberapa algoritma dalam filtering yaitu Stop-

list dan word-list. Algoritma stopword merupakan algoritma yang

digunakan untuk mengeliminasi kata-kata yang tidak deskriptif.

Algoritma word-list adalah algoritma yang digunakan menyimpan

kata-kata memiliki nilai deskriptif (Salim, 2017).

2.5.4. Stemming

Stemming adalah proses untuk menggabungkan atau

memecahkan setiap varian-varian suatu kata menjadi kata dasar.

Proses stemming pada kata Bahasa Indonesia berbeda dengan

stemming bahasa Inggris. Proses stemming pada kata bahasa inggris

adalah proses untuk mengelimininasi sufiks pada kata, sementara

proses stemming bahasa Indonesia adalah proses untuk

mengeliminasi sufiks, prefiks, dan konfiks (Salim, 2017). Proses

stemming membutuhkan algoritma stemming. Algoritma stemming

adalah prosedur komputasi yang mencari asal kata dari suatu kata

dalam kalimat yang dilakukan dengan cara memisahkan masing-

masing kata dari kata dasar dan imbuhannya. Pada saat ini ada

beberapa algoritma stemming untuk Bahasa Indonesia yang telah

dikembangkan diantaranya yaitu: Algoritma Nazief dan Andriani,

Algoritma Porter, serta Algoritma Arifin dan Setiono (Novitasari,

2016).

2.6. Algoritma Nazief & Andriani

Algortima Stemming Nazief dan Andriani, Algoritma ini dibuat oleh

Boby Nazief dan Mirna Andriani dari Fakultas Ilmu Komputer Universitas

Indonesia tahun 1996, algoritma ini mengacu pada aturan morfologi Bahasa

Indonesia yang mengelompokkan imbuhan, yaitu imbuhan yang

diperbolehkan atau imbuhan yang tidak diperbolehkan. Pengelompokan ini

termasuk imbuhan di depan (awalan), imbuhan kata belakang (akhiran),

13


imbuhan kata di tengah (sisipan), dan kombinasi imbuhan pada awal dan

akhir kata (konfiks). Algoritma ini menggunakan kamus kata keterangan yang

digunakan untuk mengetahui bahwa proses stemming telah mendapatkan kata

dasar (Novitasari, 2016).

2.6.1. Tahapan Algoritma Nazief & Andriani

Berikut ini tahapan dari Algoritma Nazief & Andriani

(Nugroho, 2017).

1. Cari kata yang akan distem dalam kamus. Jika

ditemukan maka diasumsikan bahwa kata tesebut

adalah root word. Maka algoritma berhenti.

2. Inflection Suffixes(“-lah”, “-kah”, “-ku”, “- mu”, atau

“-nya”) dibuang. Jika berupa particles (“-lah”, “-

kah”, “-tah” atau “-pun”) maka langkah ini diulangi

lagi untuk menghapus Possesive Pronouns(“-ku”, “-

mu”, atau “-nya”), jika ada.

3. Hapus Derivation Suffixes(“-i”, “-an” atau “- kan”).

Jika kata ditemukan di kamus, maka algoritma

berhenti. Jika tidak maka ke langkah 3a.

a. Jika “-an” telah dihapus dan huruf terakhir

dari kata tersebut adalah “- k”, maka “-k” juga

ikut dihapus. Jika kata tersebut ditemukan

dalam kamus maka algoritma berhenti. Jika

tidak ditemukan maka lakukan langkah 3b.

b. Akhiran yang dihapus (“-i”, “-an” atau “-

kan”) dikembalikan, lanjut ke langkah 4.

4. Hapus Derivation Prefix. Jika pada langkah 3 ada

sufiks yang dihapus maka pergi ke langkah 4a, jika

tidak pergi ke langkah 4b.

a. Periksa tabel kombinasi awalan- akhiran yang

tidak diijinkan. Jika ditemukan maka

14


algoritma berhenti, jika tidak pergi ke langkah

4b.

b. For i = 1 to 3, tentukan tipe awalan kemudian

hapus awalan. Jika root word belum juga

ditemukan lakukan langkah 5, jika sudah

maka algoritma berhenti. Catatan: jika awalan

kedua sama dengan awalan pertama algoritma

berhenti.

5. Melakukan recoding.

6. Jika semua langkah telah selesai tetapi tidak juga

berhasil maka kata awal diasumsikan sebagai root

word. Proses selesai.

2.6.2. Alasan menggunakan Algoritma Nazief & Andriani

Penulis menggunakan Algoritma Nazief & Andriani karena

menurut (Rezalina, 2016) pada penelitiannya yang membandingkan

tiga algoritma stemming bahwa algoritma Nazief & Adriani lebih

unggul dalam hal kecepatan dan akurasi dibandingkan dengan

algoritma Porter dan Arifin Setiono. Pada penelitian lain yang

dilakukan oleh (Prasidhatama & Suryaningrum, 2018) Algoritma

stemming Nazief & Adriani memiliki akurasi yang lebih tinggi

dibandingkan dengan algoritma stemming Idris.

2.7. Algoritma TF-IDF

Menurut (Melita, Amrizal, Suseno, & Dirjam, 2018), Metode Term

Frequency-Inverse Document Frequency (TF-IDF) adalah cara pemberian

bobot hubungan suatu kata (term) terhadap dokumen. TF-IDF ini adalah

sebuah ukuran statistik yang digunakan untuk mengevaluasi seberapa penting

sebuah kata di dalam sebuah dokumen atau dalam sekelompok kata. Untuk

dokumen tunggal tiap kalimat dianggap sebagai dokumen. Frekuensi

kemunculan kata di dalam dokumen yang diberikan menunjukkan seberapa

penting kata itu di dalam dokumen tersebut. Frekuensi dokumen yang

15


mengandung kata tersebut menunjukkan seberapa umum kata tersebut. Bobot

kata semakin besar jika sering muncul dalam suatu dokumen dan semakin

kecil jika muncul dalam banyak dokumen (Melita et al., 2018).

Algoritma TF-IDF menggunakan rumus untuk menghitung bobot (W)

masing-masing dokumen terhadap kata kunci dengan rumus berikut :

Wdt = TFdt * IDFt

Dimana:

d = dokumen ke-d

t = kata ke-t dari kata kunci

W = bobot dokumen ke-d terhadap kata ke-t

TF = banyaknya kata yang dicari pada sebuah dokumen

IDF = Inversed Document Frequency

IDF = log (𝑁

𝐷𝐹)

N = total dokumen

DF = banyak dokumen yang mengandung kata yang dicari.

2.8. Normalisasi

Normalisasi adalah teknik penskalaan atau teknik pemetaan atau tahap

pra-pemrosesan (Patro & Kumar, 2015). Dengan normalisasi data dapat

diubah menjadi rentang baru dari rentang yang ada (Patro, Sahoo, Panda, &

Sahu, 2015). Sedangkan pengertian lain normalisasi merupakan proses

pengubahan data menjadi bentuk normal. Proses ini dilakukan penskalaan

terhadap data menjadi dalam rentang nilai tertentu. Normalisasi sangat

diperlukan ketika data yang ada bernilai tidak seimbang yaitu sangat besar

atau sangat kecil (Haryati, Abdillah, & Hadiana, 2016).

Normalisasi dilakukan terhadap vektor fitur dokumen untuk

menghilangkan pengaruh anggapan bahwa dokumen panjang lebih relevan

dibandingkan dokumen pendek. Dengan normalisasi ini dapat membantu

menormalkan batas nilai dengan melakukan standarisasi nilai ke dalam

interval 0 sampai dengan 1 (Amalia, 2016).

16


Dapat disimpulkan bawah normalisasi adalah proses untuk

menyederhanakan nilai data yang besar dan kecil agar seimbang dengan skala

nilai tertentu. Ada beberapa metode untuk menormalisasikan data, berikut

normalisasi yang dipakai dalam penelitian ini.

2.8.1. Cosine Normalization

Cosine Normalization adalah teknik normalisasi yang paling

umum digunakan dalam vector space model (Singhal, Buckley, &

Mitra, 2017). Cosine Normalization dihitung dengan menggunakan

kombinasi komponen tiap bobot atribut pertama, kedua dan

seterusnya. Cosine Normalization akan menjaga nilai tetap pada

rentang 0 sampai dengan 1 (Albate & Minker, 2011). Berikut

persamaan rumus Cosine Normalization :

𝑤(𝑤𝑜𝑟𝑑𝑖) =(𝑤𝑜𝑟𝑑𝑖)

√𝑤2(𝑤𝑜𝑟𝑑1) + 𝑤2(𝑤𝑜𝑟𝑑2) + ⋯ + 𝑤2(𝑤𝑜𝑟𝑑𝑛)

Dimana w adalah bobot setiap kata pada dokumen yang sama.

2.8.2. Min-max Normalization

Min-max Normalization merupakan metode normalisasi

dengan strategi linier yang mentransformasikan data dari satu

rentang nilai ke rentang nilai yang baru, sehingga menghasilkan

keseimbangan nilai perbandingan antar data saat sebelum dan

sesudah proses. Data diubah menjadi seimbang antara 0 sampai

dengan 1. Metode Min-Max Normalization merupakan salah satu

metode mengubah data yang kompleks dengan tidak

menghilangkan isi, sehingga lebih mudah diolah (Wimmer, 2018).

Berikut persamaan Min-max Normalization :

𝑋𝐼 = 𝑋 − 𝑋𝑚𝑖𝑛

𝑋𝑚𝑎𝑥 − 𝑋𝑚𝑖𝑛

Dimana :

XI = Data atribut yang akan dinormalisasi.

Xmin = Nilai terkecil atribut tersebut.

17


Xmax = Nilai tertinggi atribut tersebut.

Metode normalisasi dengan Min-max Normalization akan

melakukan transformasi linier terhadap data asli sehingga

menghasilkan keseimbangan nilai perbandingan antar data saat

sebelum dan sesudah proses (Nasution et al., 2019).

2.9. Algoritma K-Means Clustering

2.9.1. Pengertian Algoritma K-Means Clustering

Algoritma K-Means Clustering merupakan salah satu metode

pengelompokan data nonhierarki (sekatan) yang berusaha

mempartisi data yang ada ke dalam bentuk dua atau lebih kelompok.

Metode ini mempartisi data ke dalam kelompok sehingga data

berkarakteristik sama dimasukkan ke dalam satu kelompok yang

sama dan data yang berkarakteristik berbeda dikelompokkan ke

dalam kelompok yang lain. Adapun tujuan pengelompokan data ini

adalah untuk meminimalkan fungsi objektif yang diset dalam proses

pengelompokan, yang pada umumnya berusaha meminimalkan

variasi di dalam suatu kelompok dan memaksimalkan variasi antar

kelompok (Prasetyo, 2012).

2.9.2. Tahapan Algoritma K-Means Clustering

Pada penelitian (Rohmawati, Defiyanti, & Jajuli, 2015),

Sarwono mengemukakan secara lebih detail, algoritma K-Means

adalah sebagai berikut:

1. Menentukan k sebagai jumlah cluster yang ingin di

bentuk.

2. Membangkitkan nilai random untuk pusat cluster

awal (centroid) sebanyak k.

3. Menghitung jarak setiap data input terhadap masing

– masing centroid menggunakan rumus jarak

Euclidean (Euclidean Distance) hingga ditemukan

jarak yang paling dekat dari setiap data dengan

18


centroid. Berikut adalah persamaan Euclidian

Distance:

𝑑(𝑥𝑖, µ𝑗) = √∑(𝑥𝑖 − µ𝑗) 2

Dimana :

xi : data kriteria,

µj : centroid pada cluster ke-j

4. Mengklasifikasikan setiap data berdasarkan

kedekatannya dengan centroid (jarak terkecil).

5. Memperbaharui nilai centroid. Nilai centroid baru

di peroleh dari rata-rata cluster yang bersangkutan

dengan menggunakan rumus:

µ𝑗(𝑡 + 1) =1

𝑁𝑠𝑗∑ 𝑥𝑗

𝑗∈𝑆𝑗

Dimana:

µj(t+1) : centroid baru pada iterasi ke (t +1)

Nsj : banyak data pada cluster Sj.

6. Melakukan perulangan dari langkah 2 hingga 5, sampai

anggota tiap cluster tidak ada yang berubah.

Jika langkah 6 telah terpenuhi, maka nilai pusat cluster (µj)

pada iterasi terakhir akan digunakan sebagai parameter untuk

menentukan clustering data .

2.10. Silhouette Coefficient

Silhouette Coefficient merupakan salah satu metode yang digunakan

untuk menguji kualitas dan kekuatan dari sebuah cluster. Metode silhouette

coefficient merupakan gabungan dari metode cohesion dan metode

separation. Metode cohesion sendiri merupakan suatu metode yang

digunakan untuk mengukur seberapa dekat relasi antar objek dalam satu

cluster yang sama. Sedangkan metode separation digunakan untuk mengukur

seberapa jauh sebuah cluster terpisah dengan cluster yang lain (Hudin et al.,

2018). Nilai indeks Silhouette dihitung sebagai derajat kepercayaan dalam

proses clustering pada suatu pengamatan dengan cluster yang dikatakan

19


terbentuk baik bila nilai indeks mendekati 1 dan kondisi sebaliknya jika nilai

indeks mendekatai angka -1 (Irwansyah & Faisal, 2015). Silhoutte memiliki

tiga tahap dalam perhitungannya, berikut tahap perhitungan Silhoutte

Coefficient (Hudin et al., 2018):

1. Hitung rata-rata jarak dari suatu dokumen misalkan i dengan

semua dokumen lain yang berada dalam satu cluster, dengan

menggunakan persamaan

𝑎(𝑖) = 1

[𝐴] − 1∑ 𝐽 ∈ 𝐴, 𝑗 ≠ 𝑖 𝑑(𝑖, 𝑗)

2. Kemudian Hitung rata-rata jarak dari dokumen i tersebut

dengan semua dokumen di cluster lain, dan diambil nilai

terkecilnya, dengan menggunakan persamaan

𝑑(𝑖, 𝐶) = 1

[𝐴]∑ 𝐽 ∈ 𝐶 𝑑(𝑖, 𝑗)

Dengan d (i, C) adalah jarak rata-rata dokumen i dengan

semua objek pada cluster lain C dimana A ≠ C.

𝑏(𝑖) = min 𝐶 ≠ 𝐴 𝑑(𝑖, 𝐶)

3. Kemudian menghitung nilai silhouette coefficient dengan

persamaan

𝑠(𝑖) = 𝑏(𝑖) − 𝑎(𝑖)

max (𝑎(𝑖), 𝑏(𝑖)

Berikut ini merupakan ukuran nilai silhouette menurut Kaufman dan

Rousseeuw (Kaufman & Rousseeuw, 1990). Nilai silhouette coefficient (SC):

1. 0,7 < SC <= 1 strong structure

2. 0,5 < SC <= 0,7 medium structure

3. 0,25 <SC <= 0,5 weak structure

4. SC <= 0,25 no structure

20


2.11. Metode Perbandingan Eksponensial

Metode perbandingan eksponensial (MPE) merupakan salah satu

metode pengambilan keputusan yang mengkualifikasikan pendapat

seseorang atau lebih dalam skala tertentu. Metode ini mampu menentukan

urutan prioritas alternatif keputusan dengan menggunakan beberapa kriteria

(Kriteria Majemuk) (Sari, 2018).

2.11.1. Tahapan Metode Perbandingan Eksponensial

Menurut (Pratiwi, 2016), tahapan metode perbandingan

eksponensial sebagai berikut:

1. Menyusun alternatif-alternatif keputusan yang akan dipilih

2. Menentukan kriteria atau perbandingan relatif kriteria

keputusan yang penting untuk dievaluasi dengan menggunakan

skala konversi tertentu sesuai dengan keinginan pengambil

keputusan

3. Menentukan tingkat kepentingan relatif dari setiap kriteria

keputusan atau pertimbangan kriteria. Penentuan bobot

ditetapkan pada setiap kriteria untuk menunjukkan tingkat

kepentingan suatu kriteria

4. Melakukan penilaian terhadap semua alternatif pada setiap

kriteria dalam bentuk total skor tiap alternatif.

2.11.2. Formulasi Perhitungan Metode Perbandingan Eksponensial

Formulasi perhitungan total nilai setiap pilihan keputusan

adalah sebagai berikut (Pratiwi, 2016):

Total Nilai (TNi) = ∑ (RKij)𝑇𝐾𝐾𝑗𝑚

𝑗=1

Keterangan :

TNi = Total nilai alternatif ke-i

Rkij = Derajat kepentingan relatif kriteria ke-j pada

pilihan keputusan i

21


TKKj = Derajat kepentingan kriteria keputusan ke-j; TKKj

> 0; bulat

n = Jumlah pilihan keputusan

m = Jumlah kriteria keputusan

Penentuan tingkat kepentigan kriteria dilakukan dengan

cara wawancara dengan si pengambil keputusan atau melalui

kesepakatan curah pendapat. Sedangkan penentuan skor alternatif

pada kriteria tertentu dilakukan dengan memberi nilai setiap

alternatif berdasarkan nilai kriterianya. Semakin besar nilai

alternatif semakin besar pula skor alternatif tersebut. Total skor

masing-masing alternatif keputusan akan relatif berbeda secara

nyata karena adanya fungsi eksponensial.

2.11.3. Keuntungan Metode Perbandingan Eksponensial

Metode Perbandingan Eksponensial dapat mengurangi bias

yang mungkin terjadi dalam analisis. Nilai skor yang

menggambarkan urutan prioritas menjadi besar dalam hal fungsi

eksponensial ini menyebabkan urutan prioritas alternatif keputusan

menjadi lebih nyata (Pratiwi, 2016).

2.12. Studi Pustaka

Studi kepustakaan merupakan studi terhadap kajian teoritis dan

referensi lain yang berkaitan dengan nilai, budaya dan norma yang

berkembang pada situasi sosial yang diteliti, selain itu studi kepustakaan

sangat penting dalam melakukan penelitian, hal ini dikarenakan penelitian

tidak akan lepas dari literatur-literatur ilmiah (Sugiyono, 2017). Studi

pustaka memiliki peranan penting dalam suatu penelitian. Dengan melakukan

studi pustaka, para peneliti mempunyai pengetahuan yang luas dan mendalam

tentang permasalahan yang hendak diteliti (Fitrah & Luthfiyah, 2017).

Penulis menggunakan metode studi pustaka dalam pengumpulan data

karena metode ini cocok dilakukan untuk mengumpulkan data dan informasi

sebagai bahan dasar peneliti dan acuan dalam penelitian.

22


2.13. Metode Simulasi

Menurut (Siregar, 2016) simulasi merupakan teknik penyusunan model

dari suatu keadaan nyata (sistem), kemudian dilakukan percobaan pada

model tersebut. Pada umumnya simulasi cocok bila diterapkan untuk

menganalisa interaksi masalah yang rumit dari sistem, sedangkan

penggunaan teknik analisa yang ada sangat terbatas. Simulasi juga

berguna untuk mengetahui pengaruh atau akibat suatu keputusan dalam

jangka waktu tertentu.

Menurut (Sajjad, 2010) yang dikutip dari skripsi (Hanum, Shofi, &

Masruroh, 2018) metode simulasi terdiri dari beberapa tahapan yang terdiri

dari:

2.13.1. Problem Formulation

Proses simulasi dimulai dengan masalah praktis yang

memerlukan pemecahan atau pemahaman. Sebagai contoh

sebuah perusahaan kargo ingin mencoba untuk mengembangkan

strategi baru untuk pengiriman truk, contoh lain yaitu astronom

mencoba memahami bagaimana sebuah nebula terbentuk. Pada

tahap ini kita harus memahami perilaku dari sistem, mengatur

operasi sistem sebagai objek untuk percobaan. Maka kita perlu

menganalisa berbagai solusi dengan menyelidik hasil sebelumnya

dengan masalah yang sama. Solusi yang paling diterima yang harus

dipilih.

2.13.2. Conceptual Model

Langkah ini terdiri dari deskripsi tingkat tinggi dari

struktur dan perilaku sebuah sistem dan mengidentifikasi semua

benda dengan atribut dan interface mereka. Kita juga harus

menentukan variabel state-nya, bagaimana cara mereka

berhubungan, dan mana yang penting untuk penelitian. Pada tahap

ini dinyatakan aspek-aspek kunci dari requirement. Selama definisi

model konseptual, kita perlu mengungkapkan fitur yang penting.

23


Kita juga harus mendokumentasikan informasi non-fungsional,

misalnya seperti perubahan pada masa yang akan datang,

perilaku nonintuitive atau non-formal, dan hubungan dengan

lingkungan.

2.13.3. Input / Output Data

Pada tahap ini kita mempelajari sistem untuk

mendapatkan data input dan output. Untuk melakukannya kita

harus mengumpulkan dan mengamati atribut yang telah

ditentukan pada tahap sebelumnya. Ketika entitas sistem yang

dipelajari, maka dicoba mengaitkannya dengan waktu. Isu penting

lainnya pada tahap ini adalah pemilihan ukuran sampel yang valid

secara statistik dan format data yang dapat diproses dengan

komputer. Kita harus memutuskan atribut mana yang stokastik

dan deterministik. Dalam beberapa kasus, tidak ada sumber data

yang dapat dikumpulkan (misalnya pada sistem yang belum ada).

Dalam kasus tersebut kita perlu mencoba untuk mendapatkan set

data dari sistem yang ada (jika tersedia). Pilihan lain yaitu dengan

menggunakan pendekatan stokastik untuk menyediakan data yang

diperlukan melalui generasi nomor acak.

2.13.4. Modelling

Pada tahap pemodelan, kita harus membangun

representasi yang rinci dari sistem berdasarkan model konseptual

dan input/output data yang dikumpulkan. Model ini dibangun

dengan mendefinisikan objek, atribut, dan metode menggunakan

paradigma yang dipilih. Pada tahap ini spesifikasi model dibuat,

termasuk set persamaan yang mendefinisikan perilaku dan

struktur. Setelah menyelesaikan definisi ini, kita harus

membangun struktur awal model (mungkin berkaitan sistem dan

metrik kerja).

24


2.13.5. Simulation

Pada tahap simulasi, kita harus memilih mekanisme

untuk menerapkan model (dalam banyak kasus menggunakan

komputer dan bahasa pemrograman dan alat-alat yang memadai),

dan model simulasi yang dibangun. Selama langkah ini, mungkin

perlu untuk mendefinisikan algoritma simulasi dan

menerjemahkannya ke dalam program komputer.

2.13.6. Verification and Validation

Pada tahap-tahap sebelumnya, tiga model yang berbeda

dibangun: model konseptual (spesifikasi), model sistem (desain),

dan model simulasi (executable program). Kita perlu untuk

memverifikasi dan memvalidasi model ini. Verifikasi terkait

dengan konsistensi internal antara tiga model. Validasi

difokuskan pada korespondensi antara model dan realitas: adalah

hasil simulasi yang konsisten dengan sistem yang dianalisis.

2.13.7. Eksperimentation

Kita harus menjalankan model simulasi, menyusul tujuan

yang dinyatakan pada model konseptual. Selama fase ini kita harus

mengevaluasi output dari simulator menggunakan korelasi

statistik untuk menentukan tingkat presisi untuk metrik kerja.

Fase ini dimulai dengan desain eksperimen, dengan

menggunakan teknik yang berbeda. Beberapa teknik ini meliputi

analisis sensitivitas, optimasi,dan seleksi (dibandingkan dengan

sistem alternatif).

2.13.8. Output Analysis

Pada tahap analisa keluaran, keluaran simulasi dianalisis

untuk memahami perilaku sistem. Keluaran ini digunakan untuk

mendapatkan tanggapan tentang perilaku sistem yang asli. Pada

tahap ini, alat visualisasi dapat digunakan untuk membantu proses

tersebut.

25


2.14. Studi Literatur Sejenis

Pada penelitian ini, penulis menggunakan literatur penelitian sejenis

yang sudah ada sebelumnya. Hal ini dimaksudkan untuk membandingkan

studi literatur tersebut. Berikut ini tabel literatur sejenis.

26


Tabel 2.1 Studi Literatur Sejenis

No Peneliti

(Tahun)

Judul Penelitian Algoritma Nilai k Stemming Pembobot

an

Normalisasi

Data

Pengujian Hasil

1 Muhamm

ad Sholeh

Hudin

(2018)

Implementasi

Metode Text

Mining dan K-

Means Clustering

untuk

Pengelompokan

Dokumen Skripsi

K-Means Nilai

k=2,3,4

5,6,8.

Algoritma

Stemming

Porter

TF-IDF - Pengujian

mencari

cluster terbaik

dengan

Silhoutte

Coefficient.

Nilai optimal terdapat

pada nilai k=4 dengan

nilai silhouette 0,483.

2 Ahmad

Salam

Wahid

Faizin

(2018)

Implementasi K-

Means Clustering

Pada Terjemahan

Al Quran

Berdasarkan

Keterkaitan Topik

K-Means Nilai

k=4

Algoritma

Nazief &

Andriani

TF-IDF Cosine

Normalizatio

n

Tidak

disebutkan

Peneliti menyimpulkan

bahwa penelitian

menggunakan algoritma

K-Means untuk

melakukan clustering

terjemahan ayat Al

Quran menghasilkan

akurasi 43% dengan nilai

k=4

27


3 Darnisa

Azzahra

Nasution,

Hidayah

Husnul

Khotimah

dan Nurul

Chamidah

(2019)

Perbandingan

Normalisasi Data

Untuk Klasifikasi

Wine

Menggunakan

Algoritma K-NN

K-NN K=3, 5,

7, dan

11

- - Min-max

normalizatio

n, Decimal

scaling dan

Z-score

normalizatio

n

Tidak

disebutkan

Akurasi tertinggi

metode min-max

normalization K = 1

sebesar 65,92%.

4 Adit

Jamdar,

Jessica

Abraham,

Karishma

Khanna

dan Rahul

Dubey

(2015)

Emotion Analysis

of songs based on

lyrical and audio

features

K-NN Tidak

disebutk

an

Tidak

disebutka

n

TF-IDF Min-max

normalizatio

n

Tidak

disebutkan

Menghasilkan akurasi

dengan rata-rata sebesar

83,40%.

28


5 Dewinta

Fenny

(2019)

Perbandingan

Cosine

Normalization dan

Min-max

Normalization pada

Pengelompokan

Terjemahan Ayat

Al-Quran

Menggunakan K-

Means Clustering

K-Means Nilai k =

2,3,4,5,6

,8.

Algoritma

Nazief &

Andriani

TF-IDF Cosine

Normalizatio

n dan Min-

max

Normalizatio

n

Pengujian

mencari

cluster terbaik

dengan

Silhoutte

Coefficient

dan

membandingk

an performa

dari metode

normalization.

Menemukan nilai k

terbaik untuk clustering

dan mengetahui metode

normalization yang

terbaik untuk

pengelompokan

terjemahan ayat Al

Quran.

29


Adapun perbedaan antara peneliti saat ini dengan peneliti sebelumnya

yaitu :

1. Peneliti membuat dua skenario, pertama menggunakan metode

normalisasi Cosine Normalization dan skenario ke dua

menggunakan metode normalisasi Min-max Normalization.

2. Peneliti melakukan pengujian cluster dengan menggunakan

metode silhouette coefficient.

3. Pada penelitian sebelumnya telah menggunakan nilai k = 4. Oleh

karena itu pada penelitian ini penulis menggunakan nilai k 2-8

yaitu nilai lebih kecil dan lebih besar dari nilai k = 4.

4. Peneliti menambahkan perbandingan performa dan kinerja pada

masing-masing skenario yaitu memory consumption dan runtime

sebagai pembeda dari peneliti sebelumnya.

30

BAB 3

METODOLOGI PENELITIAN

3.1. Metode Pengumpulan Data

Pada metode pengumpulan data peneliti mengumpulkan informasi yang

dibutuhkan dalam rangka mencapai tujuan penelitian. Oleh karena itu peneliti

memerlukan metode pengumpulan data guna mendukung penelitian ini.

Proses pengumpulan data sebagai berikut.

3.1.1. Sumber Data

Pada penelitian ini, penulis menggunakan sumber teks

terjemahan Al Quran dari website Tanzil.net. Penulis menggunakan

teks terjemahan Bahasa Indonesia yang diterjemahkan oleh

Indonesian Ministry of Religious Affairs (Departemen Agama

Indonesia) berasal dari http://tanzil.net/docs/resources yang sudah

didigitalisasi dalam format sql. Jumlah data yang digunakan sebagai

sample yaitu surah Al Baqarah ayat 2 – 286.

3.1.2. Studi Pustaka

Peneliti melakukan studi pustaka dengan pengumpulan

literatur-literatur yang berkaitan dengan penulisan skripsi sebagai

bahan untuk melengkapi penelitian. Pencarian literatur dilakukan di

perpustakaan dan secara online melalui internet. Literatur yang

dipakai berasal dari berbagai buku referensi, e-book, skripsi, jurnal

dan artikel yang terkait dengan penelitian ini. Studi pustaka juga

dimaksudkan untuk mencari literatur yang mempunyai persamaan

atau keterkaitan dengan penelitian yang sedang dilakukan, yaitu

penelitian yang terkait dengan pengelompokan data atau teks dengan

menggunakan Algoritma K-Means Clustering dan normalisasi data.

Hal ini dimaksudkan untuk mengevaluasi dan dijadikan bahan untuk

perbandingan agar bisa dilakukan pengembangan yang lebih baik

dari penelitian sebelumnya. Pustaka yang dijadikan acuan dapat

dilihat pada Daftar Pustaka.

http://tanzil.net/docs/resources

31


3.2. Metode Pengembangan Sistem

Dalam penelitian ini, penulis menggunakan metode simulasi untuk

melihat perbandingan dari hasil clustering data teks terjemahan ayat Al Quran

menggunakan normalisasi data Min-max Normalization dan Cosine

Normalization pada Algoritma K-Means Clustering. Metode simulasi terdiri

dari beberapa tahapan, yaitu:

3.2.1. Problem Formulation

Pada tahap problem formulation, penulis memilih suatu

permasalahan untuk dianalisis. Penulis melakukan studi pustaka dan

studi literatur, penulis memutuskan untuk melakukan penelitian

mengenai penerapan algoritma k-means clustering dan

perbandingan penerapan norrmalisasi data dalam proses

pengelompokan terjemahan ayat Al Quran Bahasa Indonesia. Pada

penelitian sebelumnya yaitu penelitian dari (Faizin, 2018)

menggunakan Cosine Nomalization pada pengelompokan

terjemahan ayat Al Quran Bahasa Indonesia.

3.2.2. Conceptual Model

Pada tahapan ini peneliti membuat model konsep yang akan

dilakukan yaitu membahas keseluruhan penelitian ini. Konsep

pertama membuat konsep pada proses preprocessing. Kedua,

membuat konsep untuk skenario 1 yaitu menerapkan Cosine

Nomalization pada clustering Algoritma K-Means. Ketiga, membuat

konsep skenario 2 yaitu menerapkan Min-max Normalization pada

clustering Algoritma K-Means.

3.2.3. Input Output Data

Data masukan seperti kamus kata dasar KBBI, kamus

stopword dan data teks terjemahan ayat Al Quran Bahasa Indonesia

menjadi input pada penelitian ini. Data yang diambil sebagai sample

sebanyak 286 ayat. Data pada aplikasi ini diolah menggunakan

algoritma K-Means Clustering untuk menghasilkan output berupa

32


cluster dan nilai sillhoutte, runtime, dan memory consumption dari

skenario 1 dan skenario 2.

3.2.4. Modelling

Pada tahap ini penulis melakukan pemodelan dalam

membuat rancangan sistem yang akan dibuat secara manual.

Pemodelan atau skenario yang dibuat yaitu skenario penerapan

Cosine Nomalization pada algoritma K-Means Clustering dan

skenario penerapan Min-max Normalization pada algoritma K-

Means Clustering.

3.2.5. Simulation

Pada tahapan ini, sistem yang telah dibuat akan dijalankan

untuk mensimulasikan kinerja algoritma sesuai dengan konsep dan

skenario yang telah ditentukan sebelumnya. Hasil simulasi dicatat

dan kemudian akan dilakukan tahap verifikasi.

3.2.6. Verification and Validation

Pada tahapan ini peneliti melakukan verifikasi dan validasi

dari tahapan sebelumnya. Verifikasi dilakukan untuk memastikan

adanya kesalahan atau tidak yang terjadi ketika sistem dijalankan.

Validasi dilakukan untuk memastikan kesesuaian proses simulasi

yang dibuat berdasarkaan model pengkonsepan dengan formulasi

masalah yang dibuat. Jika validasi tidak terpenuhi, maka peneliti

kembali ketahap conceptual model untuk membuat model

pengkonsepan yang baru.

3.2.7. Experimentation

Pada tahapan ini, penulis melakukan eksperimentasi sesuai

dengan model yang dibuat pada saat tahapan modelling. Pada setiap

model skenario dilakukan percobaan sebanyak enam kali dengan

memasukan nilai k yang berbeda yaitu k=2, k=3, k=4, k=5, k=6, k=8

dan setiap percobaan dijalankan sebanyak lima kali.

33


3.2.8. Output Analysis

Pada tahap terakhir ini, peneliti menganalisis output simulasi

yang dilakukan pada saat eksperimentasi. Output direpresentasikan

dalam bentuk tabel yang menyatakan nilai sillhoutte, waktu

pemrosesan (runtime) dan memori yang digunakan (memory

consumption) dari masing-masing nilai k yang telah ditentukan.

3.3. Kerangka Berpikir

Dalam penyusunan skripsi ini, peneliti melakukan tahapan-tahapan

dengan mengacu pada kerangka berpikir berikut ini :

34


Gambar 3.1 Kerangka Berfikir

35


BAB 4

IMPLEMENTASI, SIMULASI, DAN EKSPERIMEN

4.1. Problem Formulation

Pada tahapan formulasi masalah ini, penulis melakukan identifikasi

masalah berdasarkan penelitian sebelumnya. Penelitian sebelumnya oleh

(Faizin, 2018) yaitu mengimplementasikan Algoritma K-Means Clustering

dengan menggunakan Cosine Nomalization pada pengelompokan ayat-ayat

Al Quran menghasilkan akurasi sebesar 43%.

Menurut (Hudin et al., 2018) pengelompokan teks menggunakan

metode text mining menggunakan kata atau term sebagai fitur akan

menghasilkan dimensi vektor yang cukup besar. Sehingga disarankan untuk

menambahkan suatu metode yang dapat mereduksi ukuran dimensi yang

cukup besar. Secara umum ada dua tipe metode reduksi yang biasa

digunakan antara lain transformasi fitur dan feature selection.

Setelah melakukan studi pustaka mengenai Algoritma K-Means

Clustering pada pengelompokan data teks penulis memutuskan untuk

menggunakan transformasi fitur dengan menormalisasi data menggunakan

Min-max Normalization. Peneliti akan membandingkan Cosine

Normalization dengan Min-max Normalization pada pengelompokan teks

terjemahan ayat Al Quran menggunakan Algoritma K-Means Clustering.

Peneliti menggunakan nilak k 2-8 dan membandingkan nilai silhouette

coefficient, waktu pemrosesan (runtime), memori yang digunakan

(memory consumption) dari masing-masing metode normalisasi sebagai

pembeda dengan penelitian sebelumnya. Pengujian dengan membandingkan

metode normalisasi Cosine Normalization dan Min-max Normalization, hal

ini dilakukan untuk mengetahui apakah Min-max Normalization dapat

membantu dalam pengelompokan.

4.2. Conceptual Model

Pada tahap conceptual model ini dilakukan pengkonsepan sistem yang

akan dibangun dan membahas alur keseluruhan dari penelitian ini yang

36


berkaitan dengan input, proses dan output. Berikut ini merupakan konsep

alur keseluruhan dari sistem yang dibangun oleh peneliti.

4.2.1. Conceptual Model Preprocessing

Dalam penelitian ini data terlebih dahulu diproses dengan tahapan

preprocessing. Preprocessing data dilakukan dengan menggunakan bahasa

pemrograman php. Tahapan preprocessing yang dilakukan pada penelitian

ini adalah proses case folding, tokenizing, stopwords removal dan stemming.

Algoritma stemming yang digunakan dalam penelitian ini adalah Algoritma

nazief & andriani. Berikut ini diagram alur tahapan preprocessing yang

dilakukan dalam penelitian ini :

Gambar 4.1 Diagram Alur Preprocessing

Berikut ini penjelesan dari tahapan preprocessing :

1. Pada tahap pertama preprocessing yaitu proses case folding, adalah

proses yang digunakan untuk menyamakan bentuk huruf menjadi

huruf kecil dan menghapus karakter selain huruf.

37


Gambar 4.2 Flowchart Case Folding

Berikut contoh hasil Case folding :

Tabel 4.1 Contoh Hasil Case Folding

Input output

Kitab (Al Quran) ini tidak

ada keraguan padanya;

petunjuk bagi mereka

yang bertakwa,

kitab al quran ini tidak ada keraguan

padanya petunjuk bagi mereka yang

bertakwa

2. Tahapan kedua yaitu Tokenization, adalah proses pemisahan kata-kata

dari suatu kalimat.

38


Gambar 4.3 Flowchart Tokenization

Berikut contoh hasil Tokenization :

Tabel 4.2 Contoh Hasil Tokenization

Input output

kitab al quran ini tidak

ada keraguan padanya

petunjuk bagi mereka

yang bertakwa

'kitab', 'al', 'quran', 'ini', 'tidak', 'ada',

'keraguan', 'padanya', 'petunjuk', 'bagi',

'mereka', 'yang', 'bertakwa'

3. Tahapan ketiga yaitu Stopword Removal, adalah proses penghilangan

token atau menghapus kata-kata yang dianggap tidak relevan.

39


Gambar 4.4 Flowchart Stopwords Removal

Berikut contoh hasil Stopword Removal :

Tabel 4.3 Contoh Hasil Stopword Removal

Input output

'kitab', 'al', 'quran', 'ini',

'tidak', 'ada', 'keraguan',

'padanya', 'petunjuk',

'bagi', 'mereka', 'yang',

'bertakwa'

'kitab', 'al', 'quran', 'keraguan',

'petunjuk', 'bertakwa'

4. Tahapan terakhir yaitu Stemming, adalah proses menghilangkan

imbuhan pada sebuah kata menjadi kata dasar sesuai KBBI dengan

40


menggunakan Algoritma Nazief & Andriani. Berikut adalah gambar

flowchart Algoritma Nazief & Andriani :

Gambar 4.5 Flowchart Algoritma Nazief & Andriani

Berikut contoh hasil Stemming :

Tabel 4.4 Contoh Hasil Stemming

Input output

'kitab', 'al', 'quran',

'keraguan', 'petunjuk',

'bertakwa'

'kitab', 'al', 'quran', 'ragu', 'tunjuk',

'takwa'

41



menggunakan Cosine Normalization

Skenario yang pertama pada penelitian ini secara alur dari analisis

pengelompokan dengan menggunakan Cosine Normalization pada

algoritma K-Means Clustering sebagai metode untuk mentransormasikan

data dapat dijelaskan pada gambar dibawah ini :

Gambar 4.6 Proses Skenario 1 Clustering K-Means dengan Cosine Normalization

Berikut penjelasan dari setiap proses saat melakukan

pengelompokan dengan Algoritma K-Means Clustering menggunakan

Cosine Normalization :

42


1. Menyiapkan dataset terjemahan ayat Al Quran dalam format

sql.

2. Melakukan proses preprocessing sesuai dengan tahapan 4.2.1

yaitu conceptual model preprocessing.

3. Melakukan pembobotan kata setelah proses preprocessing

selesai dengan menggunakan Algoritma TF-IDF.

4. Setelah mendapatkan nilai weighting maka selanjutnya data

dinormalisasikan dengan menggunakan Cosine Normalization.

5. Nilai weighting yang sudah di normalisasi dihitung totalnya,

lalu diproses menggunakan Algoritma K-Means Clustering.

Berikut alur dari Algoritma K-Means Clustering :

43


Gambar 4.7 Proses Algoritma K-Means

Penjelesan untuk proses Algoritma K-Means Clustering sudah

dijelaskan pada sub-bab 2.9.2

6. Setelah didapatkan cluster sesuai dengan nilai k yang

ditentukan, maka tahap selanjutnya adalah evaluasi cluster.

7. Evaluasi cluster dilakukan dengan menghitung nilai sillhoutte

coefficient, runtime, dan memory consumption.

44



menggunakan Min-max Normalization

Skenario yang kedua pada penelitian ini secara alur dari analisis

pengelompokan dengan menggunakan Min-max Normalization pada

algoritma K-Means Clustering sebagai metode untuk mentransormasikan

data dapat dijelaskan pada gambar dibawah ini :

Gambar 4.8 Proses Skenario 2 Clustering K-Means dengan Min-max Normalization

45


Berikut penjelasan dari setiap proses saat melakukan

pengelompokan dengan Algoritma K-Means Clustering menggunakan Min-

max Normalization :


sql.

2. Melakukan proses preprocessing sesuai dengan tahapan

4.2.1 yaitu conceptual model preprocessing.

3. Melakukan pembobotan kata setelah proses preprocessing

selesai dengan menggunakan Algoritma TF-IDF.

4. Setelah mendapatkan nilai weighting maka selanjutnya data

dinormalisasikan dengan menggunakan Min-max

Normalization.

5. Nilai weighting yang sudah di normalisasi dihitung totalnya,

lalu diproses menggunakan Algoritma K-Means Clustering.



7. Evaluasi cluster dilakukan dengan menghitung nilai

sillhoutte coefficient, runtime, dan memory consumption.

4.3. Input/Output Data

4.3.1. Input

Data masukan seperti kamus kata dasar KBBI, kamus stopword dan

data teks terjemahan ayat Al Quran. Data teks terjemahan ayat Al Quran

yang digunakan berbahasa Indonesia yang diterjemahkan oleh Indonesian

Ministry of Religious Affairs (Departemen Agama Indonesia) berasal dari

http://tanzil.net/docs/resources yang sudah didigitalisasi dalam format sql.

Jumlah data teks yang digunakan sebanyak 286 ayat yaitu Surah Al

Baqarah.

http://tanzil.net/docs/resources

46


4.3.2. Output

Data keluaran atau ouput dari hasil simulasi ini adalah cluster dari

data yang sudah diproses oleh sistem dan nilai sillhoutte coefficient, waktu

pemrosesan (runtime), memori yang digunakan (memory consumption)

dari masing-masing nilai k yang dimasukan.

4.4. Modelling

Dalam modelling phase atau fase pemodelan pada penelitian ini,

dilakukan pemodelan konstruksi pengelompokan teks terjemahan ayat Al

Quran dengan menggunakan Cosine Normalization dan Min-max

Normalization sebagai metode untuk mentransformasikan data. Berikut ini

dapat dilihat pemodelan-pemodelan tersebut secara lengkap.

4.4.1. Konstruksi Cosine Normalization pada Clustering Algoritma

K-Means

Konstruksi Cosine Normalization pada pengelompokan teks

terjemahan ayat Al Quran menggunakan Algoritma K-Means, ini

merupakan skenario 1 di dalam penelitian ini. Secara keseluruhan

konstruksi pengelompokan teks terjemahan ayat Al Quran menggunakan

Cosine Normalization sebagai metode untuk mentransformasikan data pada

Algoritma K-Means dapat dijelaskan dibawah ini (konsep diambil dari sub-

bab 4.2.2 dan dapat dilihat pada gambar 4.6 ) :


sql.


yaitu conceptual model preprocessing. Sebagai contoh

digunakan enam ayat untuk melakukan clustering dengan

algoritma k-means. Enam ayat yang digunakan diambil secara

acak menggunakan microsoft excel.

47


Tabel 4.5 Teks terjemahan ayat Al Quran

No No Ayat Data (Terjemahan Ayat)

1 2 Kitab (Al Quran) ini tidak ada keraguan

padanya; petunjuk bagi mereka yang

bertakwa,

2 43 Dan dirikanlah shalat, tunaikanlah zakat

dan ruku?lah beserta orang-orang yang

ruku?.

3 53 Dan (ingatlah), ketika Kami berikan kepada

Musa Al Kitab (Taurat) dan keterangan

yang membedakan antara yang benar dan

yang salah, agar kamu mendapat petunjuk.

4 99 Dan sesungguhnya Kami telah menurunkan

kepadamu ayat-ayat yang jelas; dan tak ada

yang ingkar kepadanya, melainkan orang-

orang yang fasik.

5 122 Hai Bani Israil, ingatlah akan nikmat-Ku

yang telah Ku-anugerahkan kepadamu dan

Aku telah melebihkan kamu atas segala

umat.

6 242 Demikianlah Allah menerangkan

kepadamu ayat-ayat-Nya (hukum-hukum-

Nya) supaya kamu memahaminya.

Tahapan preprocessing

1) Case folding

Tabel 4.6 Hasil Case folding

No Hasil Case folding

1 kitab al quran ini tidak ada keraguan padanya petunjuk

bagi mereka yang bertakwa

48


2 dan dirikanlah shalat tunaikanlah zakat dan rukulah

beserta orang-orang yang ruku

3 dan ingatlah ketika kami berikan kepada musa al kitab

taurat dan keterangan yang membedakan antara yang

benar dan yang salah agar kamu mendapat petunjuk

4 dan sesungguhnya kami telah menurunkan kepadamu

ayat ayat yang jelas dan tak ada yang ingkar

kepadanya melainkan orang orang yang fasik

5 hai bani israil ingatlah akan nikmatku yang telah

kuanugerahkan kepadamu dan aku telah melebihkan

kamu atas segala umat

6 demikianlah allah menerangkan kepadamu ayat

ayatnya hukum hukumnya supaya kamu

memahaminya

2) Tokenization

Tabel 4.7 Hasil Tokenization

No Hasil Tokenization

1 'kitab', 'al', 'quran', 'ini', 'tidak', 'ada', 'keraguan',

'padanya', 'petunjuk', 'bagi', 'mereka', 'yang', 'bertakwa'

2 'dan', 'dirikanlah', 'shalat', 'tunaikanlah', 'zakat', 'dan',

'rukulah', 'beserta', 'orang-orang', 'yang', 'ruku'

3 'dan', 'ingatlah', 'ketika', 'kami', 'berikan', 'kepada',

'musa', 'al', 'kitab', 'taurat', 'dan', 'keterangan', 'yang',

'membedakan', 'antara', 'yang', 'benar', 'dan', 'yang',

'salah', 'agar', 'kamu', 'mendapat', 'petunjuk'

4 'dan', 'sesungguhnya', 'kami', 'telah', 'menurunkan',

'kepadamu', 'ayat-ayat', 'yang', 'jelas', 'dan', 'tak', 'ada',

'yang', 'ingkar', 'kepadanya', 'melainkan', 'orang-

orang', 'yang', 'fasik'

49


5 'hai', 'bani', 'israil', 'ingatlah', 'akan', 'nikmatku', 'yang',

'telah', 'kuanugerahkan', 'kepadamu', 'dan', 'aku',

'telah', 'melebihkan', 'kamu', 'atas', 'segala', 'umat'

6 'demikianlah', 'allah', 'menerangkan', 'kepadamu',

'ayat', 'ayat, 'nya', 'hukum', 'hukum', 'nya', 'supaya',

'kamu', 'memahaminya'

3) Stopword removal

Tabel 4.8 Hasil Stopword Removal

No Hasil Stopword removal

1 'kitab', 'al', 'quran', 'keraguan', 'petunjuk', 'bertakwa'

2 'dirikanlah', 'shalat', 'tunaikanlah', 'zakat', 'rukulah',

'beserta', 'ruku'

3 'ingatlah', 'musa', 'al', 'kitab', 'taurat', 'keterangan',

'membedakan', 'benar', 'salah', 'petunjuk'

4 'sesungguhnya', 'menurunkan', 'kepadamu', 'ayat',

'ayat', 'jelas', 'ingkar', 'fasik'

5 'hai', 'bani', 'israil', 'ingatlah', 'nikmatku',

'kuanugerahkan', 'kepadamu', 'melebihkan', 'umat'

6 ‘allah', 'menerangkan', 'kepadamu', 'ayat', 'ayat', 'nya',

'hukum', 'hukum', 'nya', 'memahaminya'

4) Stemming

Tabel 4.9 Hasil Stemming

No Hasil Stemming

1 'kitab', 'al', 'quran', 'ragu', 'tunjuk', 'takwa'

2 'diri', 'shalat', 'tunai', 'zakat', 'ruku', 'serta', 'ruku'

3 'ingat', 'musa', 'al', 'kitab', 'taurat', 'terang', 'beda',

'benar', 'salah', 'tunjuk'

50


4 'sungguh', 'turun', 'pada', 'ayat', 'ayat', 'jelas' 'ingkar',

'fasik'

5 'hai', 'bani', 'israil', 'ingat', 'nikmat', 'anugerah', 'pada',

'lebih', 'umat'

6 ‘allah', 'terang', 'pada', 'ayat', 'ayat', 'nya', 'hukum',

'hukum', 'nya', 'paham'

3. Melakukan proses pembobotan menggunakan algoritma TF-

IDF. Proses perhitungan awal yaitu menghitung IDF dengan

rumus yang dapat dilihat pada sub-bab 2.7.

Tabel 4.10 Hasil Perhitungan IDF

Kata TF DF N/D

F

IDF

A1 A2 A3 A4 A5 A6 IDF =

Log(N/D

F)

kitab 1

1

2 3 0,477

al 1

1

2 3 0,477

quran 1

1 6 0,778

ragu 1

1 6 0,778

tunjuk 1

1

2 3 0,477

takwa 1

1 6 0,778

diri

1

1 6 0,778

shalat

1

1 6 0,778

tunai

1

1 6 0,778

zakat

1

1 6 0,778

ruku

2

1 6 0,778

serta

1

1 6 0,778

jelas

1

1 6 0,778

ingat

1

1

2 3 0,477

musa

1

1 6 0,778

taurat

1

1 6 0,778

terang

1

1 2 3 0,477

beda

1

1 6 0,778

benar

1

1 6 0,778

salah

1

1 6 0,778

51


sunggu

h

1

1 6 0,778

turun

1

1 6 0,778

pada

1 1 1 3 2 0,301

ayat

2

2 2 3 0,477

ingkar

1

1 6 0,778

fasik

1

1 6 0,778

hai

1

1 6 0,778

bani

1

1 6 0,778

israil

1

1 6 0,778

nikmat

1

1 6 0,778

anuger

ah

1

1 6 0,778

lebih

1

1 6 0,778

umat

1

1 6 0,778

allah

1 1 6 0,778

nya

2 1 6 0,778

hukum

2 1 6 0,778

paham

1 1 6 0,778

Keterangan :

A = dokumen ayat terjemahan.

Seteleh mendapatkan nilai IDF, selanjutnya menghitung nilai

bobotnya (term weighting) dengan rumus yang dapat dilihat

pada sub-bab 2.7

Tabel 4.11 Hasil Perhitungan W (term weighting)

Kata W (W=TF*IDF)

A1 A2 A3 A4 A5 A6

kitab 0,477 0,000 0,477 0,000 0,000 0,000

al 0,477 0,000 0,477 0,000 0,000 0,000

quran 0,778 0,000 0,000 0,000 0,000 0,000

ragu 0,778 0,000 0,000 0,000 0,000 0,000

tunjuk 0,477 0,000 0,477 0,000 0,000 0,000

takwa 0,778 0,000 0,000 0,000 0,000 0,000

diri 0,000 0,778 0,000 0,000 0,000 0,000

shalat 0,000 0,778 0,000 0,000 0,000 0,000

tunai 0,000 0,778 0,000 0,000 0,000 0,000

zakat 0,000 0,778 0,000 0,000 0,000 0,000

ruku 0,000 1,556 0,000 0,000 0,000 0,000

52


serta 0,000 0,778 0,000 0,000 0,000 0,000

jelas 0,000 0,000 0,000 0,778 0,000 0,000

ingat 0,000 0,000 0,477 0,000 0,477 0,000

musa 0,000 0,000 0,778 0,000 0,000 0,000

taurat 0,000 0,000 0,778 0,000 0,000 0,000

terang 0,000 0,000 0,477 0,000 0,000 0,477

beda 0,000 0,000 0,778 0,000 0,000 0,000

benar 0,000 0,000 0,778 0,000 0,000 0,000

salah 0,000 0,000 0,778 0,000 0,000 0,000

sungguh 0,000 0,000 0,000 0,778 0,000 0,000

turun 0,000 0,000 0,000 0,778 0,000 0,000

pada 0,000 0,000 0,000 0,301 0,301 0,301

ayat 0,000 0,000 0,000 0,954 0,000 0,954

ingkar 0,000 0,000 0,000 0,778 0,000 0,000

fasik 0,000 0,000 0,000 0,778 0,000 0,000

hai 0,000 0,000 0,000 0,000 0,778 0,000

bani 0,000 0,000 0,000 0,000 0,778 0,000

israil 0,000 0,000 0,000 0,000 0,778 0,000

nikmat 0,000 0,000 0,000 0,000 0,778 0,000

anugerah 0,000 0,000 0,000 0,000 0,778 0,000

lebih 0,000 0,000 0,000 0,000 0,778 0,000

umat 0,000 0,000 0,000 0,000 0,778 0,000

allah 0,000 0,000 0,000 0,000 0,000 0,778

nya 0,000 0,000 0,000 0,000 0,000 1,556

hukum 0,000 0,000 0,000 0,000 0,000 1,556

paham 0,000 0,000 0,000 0,000 0,000 0,778

Nilai bobot setiap

dokumen

3,766 5,447 6,276 5,146 6,225 6,401

4. Setelah mendapatkan nilai weighting /bobot maka selanjutnya

data dinormalisasikan dengan menggunakan Cosine

Normalization. Normalisasi bobot dihitung dengan

menggunakan persamaan Cosine Normalization. Persamaan

Cosine Normalization dapat dilihat dalam sub-bab 2.8.1

Sebagai contoh normalisasi dari A1 dengan kata “kitab” dengan

hasil TF-IDF adalah 0,477.

𝑤(𝑘𝑖𝑡𝑎𝑏) =0,477

√0,4772+0,4772+0.7782+0,7782+0,4772+0,7782= 0,302

53


Maka didapatkan nilai weighting /bobot yang baru tiap

dokumen menjadi :

Tabel 4.12 Hasil Normalisasi Cosine Normalization

Kata W (Normalisasi : Cosine Normalization)

A1 A2 A3 A4 A5 A6

kitab 0,302 0,000 0,234 0,000 0,000 0,000

al 0,302 0,000 0,234 0,000 0,000 0,000

quran 0,492 0,000 0,000 0,000 0,000 0,000

ragu 0,492 0,000 0,000 0,000 0,000 0,000

tunjuk 0,302 0,000 0,234 0,000 0,000 0,000

takwa 0,492 0,000 0,000 0,000 0,000 0,000

diri 0,000 0,333 0,000 0,000 0,000 0,000

shalat 0,000 0,333 0,000 0,000 0,000 0,000

tunai 0,000 0,333 0,000 0,000 0,000 0,000

zakat 0,000 0,333 0,000 0,000 0,000 0,000

ruku 0,000 0,667 0,000 0,000 0,000 0,000

serta 0,000 0,333 0,000 0,000 0,000 0,000

jelas 0,000 0,000 0,000 0,388 0,000 0,000

ingat 0,000 0,000 0,234 0,000 0,224 0,000

musa 0,000 0,000 0,381 0,000 0,000 0,000

taurat 0,000 0,000 0,381 0,000 0,000 0,000

terang 0,000 0,000 0,234 0,000 0,000 0,177

beda 0,000 0,000 0,381 0,000 0,000 0,000

benar 0,000 0,000 0,381 0,000 0,000 0,000

salah 0,000 0,000 0,381 0,000 0,000 0,000

sungguh 0,000 0,000 0,000 0,388 0,000 0,000

turun 0,000 0,000 0,000 0,388 0,000 0,000

pada 0,000 0,000 0,000 0,150 0,141 0,112

ayat 0,000 0,000 0,000 0,475 0,000 0,354

ingkar 0,000 0,000 0,000 0,388 0,000 0,000

fasik 0,000 0,000 0,000 0,388 0,000 0,000

hai 0,000 0,000 0,000 0,000 0,365 0,000

bani 0,000 0,000 0,000 0,000 0,365 0,000

israil 0,000 0,000 0,000 0,000 0,365 0,000

nikmat 0,000 0,000 0,000 0,000 0,365 0,000

anugerah 0,000 0,000 0,000 0,000 0,365 0,000

lebih 0,000 0,000 0,000 0,000 0,365 0,000

umat 0,000 0,000 0,000 0,000 0,365 0,000

allah 0,000 0,000 0,000 0,000 0,000 0,288

54


nya 0,000 0,000 0,000 0,000 0,000 0,577

hukum 0,000 0,000 0,000 0,000 0,000 0,577

paham 0,000 0,000 0,000 0,000 0,000 0,288

Nilai bobot setiap

dokumen

2,382 2,333 3,075 2,564 2,916 2,372

5. Nilai weighting / bobot setiap dokumen kemudian diproses

menggunakan Algoritma K-Means Clustering untuk

menghasilkan cluster. Prosesnya dapat dilihat pada gambar 4.7

dan penjelasannya bisa dilihat pada sub-bab 2.9.2.

a. Menentukan nilai k. Pada penulisan penelitian ini

digunakan contoh perhitungan dengan nilai k =3.

b. Menentukan centroid awal sebanyak nilai k, yaitu

centroid awal yang dipilih secara acak atau random.

Tabel 4.13 Centroid Awal Skenario-1

Keterangan :

C = Cluster

c. Menghitung jarak dari setiap ayat ke centroid awal yang

sudah ditentukan dengan menggunakan rumus

euclidean distance. Rumus euclidean distance

sebelumnya sudah dijelaskan dalam sub-bab 2.9.2

Berikut contoh perhitungan jarak menggunakan

euclidean distance

ayat 2 pada centroid ke − 1 =

√(2,382 − 2,382)2 = 0,000


√(2,382 − 2,333)2 = 0,049


√(2,382 − 3,075)2 = 0,693

C1 C2 C3

2,382 2,333 3,075

55


Tabel 4.14 Jarak dari hasil iterasi ke-1 Skenario-1

d. Mengelempokan ayat yang sesuai dengan kedekatan

centroid (jarak minimum) ke dalam masing-masing

cluster.

Tabel 4.15 Hasil Clustering Iterasi ke-1 Skenario-1

e. Memperbarui nilai centroid dengan menghitung rata-

rata dari setiap cluster.

Centroid baru cluster 1 : (2,382 + 2,564 + 2,372) / 3 =

2,439

Centroid baru cluster 2 : 2,333

Centroid baru cluster 3 : (3,075 + 2,916) / 2 = 2,996

Maka dihasilkan centroid baru, yaitu :

Tabel 4.16 Centroid Baru ke-1 Skenario-1

f. Melanjutkan iterasi sampai tidak ada ayat yang

berpindah cluster dengan menghitung kembali jarak

minimum antara ayat dengan centroid baru

menggunakan euclidean distance.

Ayat ke- C1 C2 C3

2 0,000 0,049 0,693

43 0,049 0,000 0,742

53 0,693 0,742 0,000

99 0,182 0,230 0,511

122 0,534 0,583 0,159

242 0,010 0,038 0,703

C1 C2 C3

2,382 2,333 3,075

2,564 2,916

2,372

C1 C2 C3

2,439 2,333 2,996

56



g. Mengelempokan kembali ayat yang sesuai dengan

kedekatan centroid (jarak minimum) ke dalam masing-

masing cluster.


h. Memperbarui nilai centroid dengan menghitung rata-


Centroid baru cluster 1 : 2,564

Centroid baru cluster 2 : (2,382 + 2,333 + 2,372) / 3 =

2,362




i. lanjutkan iterasi sampai tidak ada ayat yang berpindah

cluster dengan menghitung kembali jarak minimum

antara ayat dengan centroid baru menggunakan

euclidean distance.

Ayat ke- C1 C2 C3

2 0,057 0,049 0,614

43 0,106 0,000 0,662

53 0,636 0,742 0,079

99 0,125 0,230 0,432

122 0,477 0,583 0,079

242 0,067 0,038 0,624

C1 C2 C3

2,564 2,382 3,075

2,333 2,916

2,372

C1 C2 C3

2,564 2,362 2,996

57



j. Mengelempokan kembali ayat yang sesuai dengan


masing cluster.


k. Nilai centroid tidak berubah setelah mendapatkan iterasi

ke-3, yaitu :


l. Karena tidak terjadi perubahan atau perpindahan

cluster lagi dari setiap ayatnya, maka iterasi dari proses

K-Means berhenti. Selesai.

6. Mendapatkan hasil proses dari pengelompokan ayat dengan

menggunakan Algoritma K-Means Clustering.

Tabel 4.23 Hasil Akhir Clustering Skenario 1



Ayat ke- C1 C2 C3

2 0,182 0,020 0,614

43 0,230 0,029 0,662

53 0,511 0,713 0,079

99 0,000 0,201 0,432

122 0,352 0,554 0,079

242 0,192 0,009 0,624

C1 C2 C3

2,564 2,382 3,075

2,333 2,916

2,372

C1 C2 C3

2,564 2,362 2,996

Ayat W Ayat W Ayat W

99 2,564 2 2,382 53 3,075

43 2,333 122 2,916

242 2,372

C1 C2 C3

58


Evaluasi cluster dilakukan dengan menghitung nilai sillhoutte

coefficient, memory consumption dan runtime. Berikut ini

langkah untuk menghitung nilai sillhoutte coefficient :

a. Menghitung rata-rata jarak objek dengan semua

dokumen yang berada dalam satu cluster dengan

menggunakan euclidean distance, sehingga didapatkan

nilai a(i).

Tabel 4.24 Hasil perhitungan nilai a(i) Skenario-1

b. Menghitung rata-rata jarak dari dokumen i dengan

semua dokumen di cluster lain dengan menggunakan

euclidean distance. Setelah itu diambil nilai minimum

dari nilai d (i, C) untuk mendapatkan nilai b(i). Nilai

d(i,C) yang dihasilkan akan memiliki 2 nilai

dikarenakan jumlah cluster pada contoh perhitungan ini

berjumlah 3.

Tabel 4.25 Hasil perhitungan nilai d(i,C) dan b(i) Skenario-1

c. Menghitung nilai silhouette coefficient dengan

menggunakan rumus pada sub-bab 2.10.

Berikut contoh perhitungan nilai s(99) pada ayat ke-99

a(i) Hasil

a(2) 0,020

a(43) 0,029

a(53) 0,079

a(99) 0,000

a(122) 0,079

a(242) 0,016

d(i,C) Hasil d(i,C) Hasil b(i) Hasil

d(2,1) 0,182 d(2,2) 0,614 b(2) 0,182

d(43,1) 0,230 d(43,2) 0,662 b(43) 0,230

d(53,1) 0,511 d(53,2) 0,717 b(53) 0,511

d(99,1) 0,206 d(99,2) 0,432 b(99) 0,206

d(122,1) 0,352 d(122,2) 0,559 b(122) 0,352

d(242,1) 0,192 d(242,2) 0,624 b(242) 0,192

59


𝑠(99) =0,206 − 0,000

max (0,000 ; 0,206)= 1,000

Tabel 4.26 Hasil perhitungan nilai s(i) Skenario-1

4.4.2. Konstruksi Min-max Normalization pada Clustering Algoritma

K-Means

Konstruksi Min-max Normalization pada pengelompokan teks

terjemahan ayat Al Quran menggunakan Algoritma K-Means, ini

merupakan skenario 2 di dalam penelitian ini. Secara keseluruhan

konstruksi pengelompokan teks terjemahan ayat Al Quran menggunakan

Min-max Normalization sebagai metode untuk mentransformasikan data

pada Algoritma K-Means dapat dijelaskan dibawah ini (konsep diambil

dari sub-bab 4.2.3 dan dapat dilihat pada gambar 4.7 ) :


sql.


yaitu conceptual model preprocessing. Sebagai contoh

digunakan enam ayat untuk melakukan clustering dengan

algoritma k-means. Enam ayat yang digunakan diambil secara

acak menggunakan microsoft excel. Ayat yang digunakan dalam

skenario ini sama dengan ayat yang digunakan pada skenario

pertama.

s(i) Hasil

s(2) 0,875

s(43) 0,865

s(53) 0,893

s(99) 1,000

s(122) 0,863

s(242) 0,905

rata-rata 0,900

60


3. Melakukan proses pembobotan menggunakan algoritma TF-

IDF. Proses perhitungan awal yaitu menghitung IDF dengan

rumus yang dapat dilihat pada rumus 2.7.

Tabel 4.27 Hasil Perhitungan IDF

Kata TF DF N/D

F

IDF

A1 A2 A3 A4 A5 A6 IDF =

Log(N/DF

)

kitab 1

1

2 3 0,477

al 1

1

2 3 0,477

quran 1

1 6 0,778

ragu 1

1 6 0,778

tunjuk 1

1

2 3 0,477

takwa 1

1 6 0,778

diri

1

1 6 0,778

shalat

1

1 6 0,778

tunai

1

1 6 0,778

zakat

1

1 6 0,778

ruku

2

1 6 0,778

serta

1

1 6 0,778

jelas

1

1 6 0,778

ingat

1

1

2 3 0,477

musa

1

1 6 0,778

taurat

1

1 6 0,778

terang

1

1 2 3 0,477

beda

1

1 6 0,778

benar

1

1 6 0,778

salah

1

1 6 0,778

sungguh

1

1 6 0,778

turun

1

1 6 0,778

pada

1 1 1 3 2 0,301

ayat

2

2 2 3 0,477

ingkar

1

1 6 0,778

fasik

1

1 6 0,778

hai

1

1 6 0,778

bani

1

1 6 0,778

israil

1

1 6 0,778

nikmat

1

1 6 0,778

anugera

h

1

1 6 0,778

61


lebih

1

1 6 0,778

umat

1

1 6 0,778

allah

1 1 6 0,778

nya

2 1 6 0,778

hukum

2 1 6 0,778

paham

1 1 6 0,778

Keterangan :

A = dokumen ayat terjemahan.

Seteleh mendapatkan nilai IDF, selanjutnya menghitung nilai

bobotnya (term weighting) dengan rumus yang dapat dilihat

pada sub-bab 2.7

Tabel 4.28 Hasil Perhitungan W (term weighting)

Kata W (W=TF*IDF)

A1 A2 A3 A4 A5 A6

kitab 0,477 0,000 0,477 0,000 0,000 0,000

al 0,477 0,000 0,477 0,000 0,000 0,000

quran 0,778 0,000 0,000 0,000 0,000 0,000

ragu 0,778 0,000 0,000 0,000 0,000 0,000

tunjuk 0,477 0,000 0,477 0,000 0,000 0,000

takwa 0,778 0,000 0,000 0,000 0,000 0,000

diri 0,000 0,778 0,000 0,000 0,000 0,000

shalat 0,000 0,778 0,000 0,000 0,000 0,000

tunai 0,000 0,778 0,000 0,000 0,000 0,000

zakat 0,000 0,778 0,000 0,000 0,000 0,000

ruku 0,000 1,556 0,000 0,000 0,000 0,000

serta 0,000 0,778 0,000 0,000 0,000 0,000

jelas 0,000 0,000 0,000 0,778 0,000 0,000

ingat 0,000 0,000 0,477 0,000 0,477 0,000

musa 0,000 0,000 0,778 0,000 0,000 0,000

taurat 0,000 0,000 0,778 0,000 0,000 0,000

terang 0,000 0,000 0,477 0,000 0,000 0,477

beda 0,000 0,000 0,778 0,000 0,000 0,000

benar 0,000 0,000 0,778 0,000 0,000 0,000

salah 0,000 0,000 0,778 0,000 0,000 0,000

sungguh 0,000 0,000 0,000 0,778 0,000 0,000

turun 0,000 0,000 0,000 0,778 0,000 0,000

pada 0,000 0,000 0,000 0,301 0,301 0,301

ayat 0,000 0,000 0,000 0,954 0,000 0,954

62


ingkar 0,000 0,000 0,000 0,778 0,000 0,000

fasik 0,000 0,000 0,000 0,778 0,000 0,000

hai 0,000 0,000 0,000 0,000 0,778 0,000

bani 0,000 0,000 0,000 0,000 0,778 0,000

israil 0,000 0,000 0,000 0,000 0,778 0,000

nikmat 0,000 0,000 0,000 0,000 0,778 0,000

anugerah 0,000 0,000 0,000 0,000 0,778 0,000

lebih 0,000 0,000 0,000 0,000 0,778 0,000

umat 0,000 0,000 0,000 0,000 0,778 0,000

allah 0,000 0,000 0,000 0,000 0,000 0,778

nya 0,000 0,000 0,000 0,000 0,000 1,556

hukum 0,000 0,000 0,000 0,000 0,000 1,556

paham 0,000 0,000 0,000 0,000 0,000 0,778

Nilai bobot setiap

dokumen

3,766 5,447 6,276 5,146 6,225 6,401

4. Setelah mendapatkan nilai weighting /bobot maka selanjutnya

data dinormalisasikan dengan menggunakan Min-max

Normalization. Normalisasi bobot dihitung dengan

menggunakan persamaan Min-max Normalization. Persamaan

Min-max Normalization dapat dilihat dalam sub-bab 2.8.2.

Sebagai contoh normalisasi dari A1 dengan kata “kitab” dengan

hasil TF-IDF adalah 0,477.

0,477 =0,477 − 0,000

0,778 − 0,000= 0,613

Maka didapatkan nilai weighting / bobot yang baru tiap

dokumen menjadi :

Tabel 4.29 Hasil Normalisasi Min-max Normalization

Kata W (Normalisasi: Min Max Normalization)

A1 A2 A3 A4 A5 A6

kitab 0,613 0,000 0,613 0,000 0,000 0,000

al 0,613 0,000 0,613 0,000 0,000 0,000

quran 1,000 0,000 0,000 0,000 0,000 0,000

ragu 1,000 0,000 0,000 0,000 0,000 0,000

tunjuk 0,613 0,000 0,613 0,000 0,000 0,000

takwa 1,000 0,000 0,000 0,000 0,000 0,000

diri 0,000 0,500 0,000 0,000 0,000 0,000

63


shalat 0,000 0,500 0,000 0,000 0,000 0,000

tunai 0,000 0,500 0,000 0,000 0,000 0,000

zakat 0,000 0,500 0,000 0,000 0,000 0,000

ruku 0,000 1,000 0,000 0,000 0,000 0,000

serta 0,000 0,500 0,000 0,000 0,000 0,000

jelas 0,000 0,000 0,000 0,815 0,000 0,000

ingat 0,000 0,000 0,613 0,000 0,613 0,000

musa 0,000 0,000 1,000 0,000 0,000 0,000

taurat 0,000 0,000 1,000 0,000 0,000 0,000

terang 0,000 0,000 0,613 0,000 0,000 0,307

beda 0,000 0,000 1,000 0,000 0,000 0,000

benar 0,000 0,000 1,000 0,000 0,000 0,000

salah 0,000 0,000 1,000 0,000 0,000 0,000

sungguh 0,000 0,000 0,000 0,815 0,000 0,000

turun 0,000 0,000 0,000 0,815 0,000 0,000

pada 0,000 0,000 0,000 0,315 0,387 0,193

ayat 0,000 0,000 0,000 1,000 0,000 0,613

ingkar 0,000 0,000 0,000 0,815 0,000 0,000

fasik 0,000 0,000 0,000 0,815 0,000 0,000

hai 0,000 0,000 0,000 0,000 1,000 0,000

bani 0,000 0,000 0,000 0,000 1,000 0,000

israil 0,000 0,000 0,000 0,000 1,000 0,000

nikmat 0,000 0,000 0,000 0,000 1,000 0,000

anugerah 0,000 0,000 0,000 0,000 1,000 0,000

lebih 0,000 0,000 0,000 0,000 1,000 0,000

umat 0,000 0,000 0,000 0,000 1,000 0,000

allah 0,000 0,000 0,000 0,000 0,000 0,500

nya 0,000 0,000 0,000 0,000 0,000 1,000

hukum 0,000 0,000 0,000 0,000 0,000 1,000

paham 0,000 0,000 0,000 0,000 0,000 0,500

Nilai bobot setiap

dokumen

4,839 3,500 8,066 5,393 8,000 4,113

5. Nilai weighting / bobot setiap dokumen kemudian diproses

menggunakan Algoritma K-Means Clustering untuk

menghasilkan cluster. Prosesnya dapat dilihat pada gambar

4.2.6. dan penjelasannya bisa dilihat pada sub-bab 2.9.2.

a. Menentukan nilai k. Pada penulisan penelitian ini

digunakan contoh perhitungan dengan nilai k =3.

64


b. Menentukan centroid awal sebanyak nilai k, yaitu

centroid awal yang dipilih secara acak atau random.

Tabel 4.30 Centroid Awal Skenario-2

Keterangan :

C = Cluster

c. Menghitung jarak dari setiap ayat ke centroid awal yang

sudah ditentukan dengan menggunakan rumus

euclidean distance. Rumus euclidean distance

sebelumnya sudah dijelaskan dalam sub-bab 2.9.2

Berikut contoh perhitungan jarak menggunakan

euclidean distance


√(4,839 − 4,839)2 = 0,000


√(4,839 − 3,500)2 = 1,339


√(4,839 − 8,066)2 = 3,226


C1 C2 C3

4,839 3,500 8,066

Ayat ke- C1 C2 C3

2 0,000 1,339 3,226

43 1,339 0,000 4,566

53 3,226 4,566 0,000

99 0,553 1,893 2,673

122 3,161 4,500 0,066

242 0,726 0,613 3,953

65


d. Mengelempokan ayat yang sesuai dengan kedekatan

centroid (jarak minimum) ke dalam masing-masing

cluster.


e. Memperbarui nilai centroid dengan menghitung rata-







f. Melanjutkan iterasi sampai tidak ada ayat yang

berpindah cluster dengan menghitung kembali jarak

minimum antara ayat dengan centroid baru

menggunakan euclidean distance.


g. Mengelempokan kembali ayat yang sesuai dengan


masing cluster.

Tabel 4.35 Hasil Clustering Iterasi ke—2 Skenario-2

C1 C2 C3

4,839 3,500 8,066

5,393 4,113 8,000

C1 C2 C3

5,116 3,807 8,033

Ayat ke- C1 C2 C3

2 0,277 1,033 3,193

43 1,616 0,307 4,533

53 2,950 4,259 0,033

99 0,277 1,586 2,640

122 2,884 4,193 0,033

242 1,003 0,307 3,920

66


h. Memperbarui nilai centroid dengan menghitung rata-







Lanjutkan iterasi sampai tidak ada ayat yang berpindah

cluster atau nilai centroid tidak berubah.

i. Nilai centroid tidak berubah setelah mendapatkan iterasi

ke-2, yaitu :

Tabel 4.37 Centroid ke-2 Skenario-2

j. Karena tidak terjadi perubahan atau perpindahan

cluster lagi dari setiap ayatnya, maka iterasi dari proses

K-Means berhenti. Selesai.

6. Mendapatkan hasil proses dari pengelompokan ayat dengan

menggunakan Algoritma K-Means Clustering.

Tabel 4.38 Hasil Akhir Clustering Skenario-2



Evaluasi cluster dilakukan dengan menghitung nilai sillhoutte

C1 C2 C3

4,839 3,500 8,066

5,393 4,113 8,000

C1 C2 C3

5,116 3,807 8,033

C1 C2 C3

5,116 3,807 8,033

Ayat W Ayat W Ayat W

2 4,839 43 3,500 53 8,066

99 5,393 242 4,113 122 8,000

C1 C2 C3

67


coefficient. Berikut ini langkah untuk menghitung nilai

sillhoutte coefficient :

a. Menghitung rata-rata jarak objek dengan semua

dokumen yang berada dalam satu cluster dengan

menggunakan euclidean distance, sehingga didapatkan

nilai a(i).

Tabel 4.39 Hasil perhitungan nilai a(i) Skenario-2

b. Menghitung rata-rata jarak dari dokumen i dengan

semua dokumen di cluster lain dengan menggunakan

euclidean distance. Setelah itu diambil nilai minimum

dari nilai d (i, C) untuk mendapatkan nilai b(i). Nilai

d(i,C) yang dihasilkan akan memiliki 2 nilai

dikarenakan jumlah cluster pada contoh perhitungan ini

berjumlah 3.

Tabel 4.40 Hasil perhitungan nilai d(i,C) dan b(i) Skenario-2

c. Menghitung nilai silhouette coefficient dengan

menggunakan rumus pada sub-bab 2.10.

Berikut contoh perhitungan nilai s(122) pada ayat ke-

122

a(i) Hasil

a(2) 0,277

a(43) 0,307

a(53) 0,033

a(99) 0,277

a(122) 0,033

a(242) 0,307

d(i,C) Hasil d(i,C) Hasil b(i) Hasil

d(2,1) 1,033 d(2,2) 3,193 b(2) 1,033

d(43,1) 1,616 d(43,2) 4,533 b(43) 1,616

d(53,1) 2,950 d(53,2) 4,259 b(53) 2,950

d(99,1) 1,586 d(99,2) 2,640 b(99) 1,586

d(122,1) 2,884 d(122,2) 4,193 b(122) 2,884

d(242,1) 1,003 d(242,2) 3,920 b(242) 1,003

68


𝑠(122) =2,884 − 0,033

max (0,033 ; 2,884)= 0,990

Tabel 4.41 Hasil perhitungan nilai s(i) Skenario-2

4.5. Simulation

Penulis memakai windows 8.1 Pro sebagai sistem operasi yang

digunakan untuk seluruh proses simulasi. Dan menggunakan notepad++

dalam proses pengkodingan. Berikut ini tahapan pembangunan server yang

penulis lakukan untuk mempersiapkan proses simulasi :

1. Melakukan instalasi appserver, dalam hal ini penulis

menggunakan XAMPP

2. Melakukan instalasi editor notepad++ yang digunakan untuk

membuat kode script

Berikut contoh simulasi yang dilakukan oleh penulis, skenario pertama

dan skenario kedua dalam sekali percobaan nilai k=3.

Gambar 4.9 Contoh Simulasi Skenario 1

s(i) Hasil

s(2) 0,743

s(43) 0,809

s(53) 0,990

s(99) 0,830

s(122) 0,990

s(242) 0,691

rata-rata 0,842

69


Gambar 4.10 Contoh Simulasi Skenario 2

4.6. Verification and Validation

Penjelasan dan pembahasan mengenai verification and validation

dijelaskan pada BAB V skripsi ini tentang hasil dan pembahasan.

4.7. Experimentation

Penjelasan dan pembahasan mengenai experimentation dijelaskan pada

BAB V skripsi ini tentang hasil dan pembahasan.

4.8. Output Analisys

Penjelasan dan pembahasan mengenai output analisys dijelaskan pada

BAB V skripsi ini tentang hasil dan pembahasan.

70

BAB 5

HASIL DAN PEMBAHASAN

5.1 Verifikasi dan Validasi (Verification and Validation)

Tahapan ini merupakan tahapan untuk melakukan verifikasi dan

validasi dari tahapan-tahap sebelumnya yaitu konseptual model, dan

model simulasi. Pada tahap ini dilakukan koreksi atau perbaikan jika

terjadi kesalahan dengan menguji apakah keseluruhan proses simulasi

telah berjalan sesuai dengan flowchart pada tahapan conceptual model.

Sedangkan validasi dilakukan dengan menguji apakah keseluruhan

proses simulasi telah sesuai dengan ketentuan-ketentuan pada tahapan

conceptual model, input output data, dan modelling. Verifikasi dilakukan

untuk memastikan bahwa setiap tahapan pada bab-bab sebelumnya saling

memiliki hubungan, dalam hal ini setiap tahapan pada bab 4 diulas kembali

untuk memastikan tiap tahap tersebut saling terkait. Verifikasi juga

memastikan bahwa input dan output sesuai dengan yang diharapkan

dimulai dari tahap problem formulation (formulasi masalah) hingga

simulation phase (simulasi).

Pengujian program merupakan pengujian yang dilakukan untuk

membandingkan hasil perhitungan dengan cara manual dengan hasil

perhitungan algoritma di sistem. Dalam pengujian nilai silhouette

coefficient hasil algoritma ini hasil yang didapat harus sama untuk

keduanya, karena perhitungan manual merupakan acuan dalam

menentukan algoritma tersebut benar. Skenario yang digunakan dalam

pengujian manual ini sebanyak enam data sample dan nilai k yang

digunakan adalah tiga.

Berdasarkan perhitungan manual pada modelling pada sub-bab 4.4.1

dan 4.4.2 dan pada saat program dijalankan hasil akhir dari clustering

sudah sesuai dengan hasil screenshoots pada sub-bab 4.5 gambar 4.9 dan

gambar 4.10.

71


Tabel 5.1 Pengujian

Metode

Normalisasi

Nilai k Nilai

Sillhoutte

(Manual)

Nilai

Sillhoutte

(Program)

Status

Sesuai

Cosine

Normalization

3 0,900 0,900 Sesuai

Min-max

Normalization

3 0,842 0,842 Sesuai

Berdasarkan tabel diatas menunjukan bahwa sistem telah sesuai

dengan perhitungan manual.

Hasil pengelompokan juga sudah divalidasi oleh Dosen TIK Islam,

Dosen Teknik Informatika, Fakultas Sains dan Teknologi, Universitas

Islam Negeri Jakarta yaitu Drs. M. Tabah Rosyadi, M.A. bahwa hasil

pengelompokan sudah baik dan untuk penentuan tema dari setiap

kelompoknya sangat memungkin diambil dari kata yang sering muncul

dari setiap pengelompokannya.

5.2 Eksperimentasi (Experimentation)

Eksperimen yang dilakukan yaitu dengan membandingkan hasil dari

simulator. Fase ini dimulai dengan desain eksperimen sesuai dengan yang

penulis susun pada tahap simulasi, dan dengan teknik tertentu berdasar

pada beberapa faktor yang menguji nilai parameter untuk melakukan

analisa pada output hasil dari proses simulasi. Pada penulisan ini

penulis membandingkan perbedaan yang terjadi jika nilai k yang ada pada

proses simulasi tersebut diubah, Penulis menggunakan parameter-

parameter, yaitu : nilai sillhoutte, runtime dan memory consumption

diujikan pada kedua skenario, yaitu Cosine Normalization dan Min-max

Normalization. Dari eksperimen tersebut dilakukan analisis outputnya

yang akan dibahas pada tahapan Output Analysis.

72


5.3 Analisis Keluaran (Output Analysis)

5.3.1 Skenario 1

5.3.1.1 Nilai k=2

Tabel 5.2 Hasil Nilai k=2 Skenario-1

Output Percobaan Ke- Rata-

Rata 1 2 3 4 5

Runtime (s) 0,514 0,492 0,489 0,497 0,516 0,502

Memory

Consumption

(kb)

28804 28804 28804 28804 28804 28804

Accuracy 0,572 0,572 0,572 0,572 0,572 0,572

Tabel diatas menunjukan hasil skenario 1 pada metode

normalisasi Cosine Normalization. Percobaan dilakukan sebanyak

lima kali dan diambil nilai rata-ratanya. Hasil runtime tercepat

terdapat pada percobaan tiga yaitu 0,489 s serta rata-rata

sebesar 0,502 s. Memory consumption pada percobaan ini tidak

berubah, yaitu sebesar 28804 kb dari percobaan satu sampai

percobaan lima. Sedangkan, untuk nilai dari nilai silhouette

coefficient nya sebesar 0,572.

5.3.1.2 Nilai k=3



Rata 1 2 3 4 5

Runtime (s) 0,497 0,639 0,496 0,514 0,513 0,532

73


Memory

Consumption

(kb)

29334 29334 29334 29334 29334 29334

Accuracy 0,548 0,548 0,548 0,548 0,548 0,548




terdapat pada percobaan tiga yaitu 0,496 s serta rata-rata sebesar

0,532 s. Memory consumption pada percobaan ini tidak




5.3.1.3 Nilai k=4



Rata 1 2 3 4 5

Runtime (s) 0,516 0,562 0,501 0,670 0,558 0,561

Memory

Consumption

(kb)

31156 31156 31156 31156 31156 31156

Accuracy 0,543 0,543 0,543 0,543 0,543 0,543




terdapat pada percobaan tiga yaitu 0,501 s serta rata-rata

74






5.3.1.4 Nilai k=5



Rata 1 2 3 4 5

Runtime (s) 0,511 0,503 0,649 0,516 0,511 0,538

Memory

Consumption

(kb)

30178 30178 30178 30178 30178 30178

Accuracy 0,517 0,517 0,517 0,517 0,517 0,517




terdapat pada percobaan dua yaitu 0,503 s serta rata-rata





5.3.1.5 Nilai k=6



Rata 1 2 3 4 5

75


Runtime (s) 0,526 0,501 0,505 0,516 0,624 0,534

Memory

Consumption

(kb)

29728 29728 29728 29728 29728 29728

Accuracy 0,529 0,529 0,529 0,529 0,529 0,529




terdapat pada percobaan dua yaitu 0,501 s serta rata-rata





5.3.1.6 Nilai k=7



Rata 1 2 3 4 5

Runtime (s) 0,503 0,518 0,506 0,528 0,563 0,524

Memory

Consumption

(kb)

30477 30477 30477 30477 30477 30477

Silhouette

Coefficient

0,534 0,534 0,534 0,534 0,534 0,534



76



terdapat pada percobaan satu yaitu 0,503 s serta rata-rata





5.3.1.7 Nilai k=8



Rata 1 2 3 4 5

Runtime (s) 0,564 0,517 0,504 0,513 0,518 0,523

Memory

Consumption

(kb)

30509 30509 30509 30509 30509 30509

Silhouette

Coefficient

0,531 0,531 0,531 0,531 0,531 0,531




terdapat pada percobaan tiga yaitu 0,504 s serta rata-rata sebesar

0,523 s. Memory consumption pada percobaan ini tidak




5.3.2 Skenario 2

5.3.2.1 Nilai k=2


77



Rata 1 2 3 4 5

Runtime (s) 0,585 0,514 0,520 0,593 0,516 0,546

Memory

Consumption

(kb)

28574 28574 28574 28574 28574 28574

Silhouette

Coefficient

0,611 0,611 0,611 0,611 0,611 0,611


normalisasi Min-max Normalization. Percobaan dilakukan

sebanyak lima kali dan diambil nilai rata-ratanya. Hasil runtime

tercepat terdapat pada percobaan satu yaitu 0,514 s serta rata-

rata sebesar 0,546 s. Memory consumption pada percobaan ini

tidak berubah, yaitu sebesar 28574 kb dari percobaan satu

sampai percobaan lima. Sedangkan, untuk nilai dari nilai

silhouette coefficient nya sebesar 0,611.

5.3.2.2 Nilai k=3



Rata 1 2 3 4 5

Runtime (s) 0,525 0,538 0,544 0,587 0,527 0,544

Memory

Consumption

(kb)

28640 28640 28640 28640 28640 28640

Silhouette

Coefficient

0,570 0,570 0,570 0,570 0,570 0,570

78










5.3.2.3 Nilai k=4



Rata 1 2 3 4 5

Runtime (s) 0,529 0,617 0,537 0,596 0,527 0,561

Memory

Consumption

(kb)

30934 30934 30934 30934 30934 30934

Silhouette

Coefficient

0,551 0,551 0,551 0,551 0,551 0,551




tercepat terdapat pada percobaan lima yaitu 0,527 s serta rata-





79


5.3.2.4 Nilai k=5



Rata 1 2 3 4 5

Runtime (s) 0,591 0,577 0,538 0,568 0,547 0,564

Memory

Consumption

(kb)

34242 34242 34242 34242 34242 34242

Silhouette

Coefficient

0,542 0,542 0,542 0,542 0,542 0,542




tercepat terdapat pada percobaan tiga yaitu 0,538 s serta rata-





5.3.2.5 Nilai k=6



Rata 1 2 3 4 5

Runtime (s) 0,531 0,550 0,541 0,539 0,547 0,542

Memory

Consumption

(kb)

33282 33282 33282 33282 33282 33282

80


Silhouette

Coefficient

0,548 0,548 0,548 0,548 0,548 0,548







sampai percobaan lima. Sedangkan, untuk nilai silhouette


5.3.2.6 Nilai k=7



Rata 1 2 3 4 5

Runtime (s) 0,529 0,541 0,547 0,545 0,529 0,538

Memory

Consumption

(kb)

32762 32762 32762 32762 32762 32762

Silhouette

Coefficient

0,531 0,531 0,531 0,531 0,531 0,531




tercepat terdapat pada percobaan satu dan lima, yaitu 0,529 s

serta rata-rata sebesar 0,538 s. Memory consumption pada

percobaan ini tidak berubah, yaitu sebesar 32762 kb dari

percobaan satu sampai percobaan lima. Sedangkan, untuk nilai


81


5.3.2.7 Nilai k=8



Rata 1 2 3 4 5

Runtime (s) 0,587 0,551 0,535 0,539 0,571 0,557

Memory

Consumption

(kb)

32799 32799 32799 32799 32799 32799

Silhouette

Coefficient

0,514 0,514 0,514 0,514 0,514 0,514




tercepat terdapat pada percobaan tiga yaitu 0,535 s serta rata-



sampai percobaan lima. Sedangkan, untuk nilai silhouette


5.4 Analisis Hasil Perbandingan

Setelah setiap skenario dijalankan dan data-data output pada

setiap percobaan didapatkan, maka hasil output tersebut digunakan

untuk melakukan analisis kinerja masing-masing skenario berdasarkan

parameter runtime tercepat dengan melihat waktu terkecil serta

memperhatikan memory consumption dengan nilai-nilai terkecil dan

melihat nilai silhouette coefficient terbesar.

Output analisis kinerja dijabarkan dengan menggunakan tabel

dari setiap skenario yang sudah dilakukan sebanyak dua skenario

dengan 14 simulasi yaitu dengan memasukan nilai k = 2-8.

82


5.4.1 Skenario 1

Berikut ini rata-rata hasil dari skenario 1 pada simulasi nilai

k=2 sampai k=8. :

Tabel 5.16 Hasil Perbandingan Skenario 1

Output k=2 k=3 k=4 k=5 k=6 k=7 k=8

Runtime (s) 0,502 0,532 0,561 0,538 0,534 0,524 0,523

Memory

Consumption

(kb)

28804 29334 31156 30178 29728 30477 30509

Nilai

Silhouette

Coefficient

0,572 0,548 0,543 0,517 0,529 0,534 0,531

Pada tabel di atas menunjukkan hasil simulasi pada skenario

1 yang dilakukan terhadap nilai k=2 sampai k=8 yang diambil dari

nilai rata-ratanya.

Gambar 5.1 Hasil Runtime Skenario 1

Grafik di atas menunjukkan perbandingan nilai rata-rata

runtime untuk masing-masing nilai k. Semakin kecil nilai runtime

pada proses simulasi maka hasil ini semakin bagus. Pada hasil

skenario 1 , Nilai k=2 memiliki nilai runtime yang terbaik.

0,502

0,532

0,561

0,538 0,5340,524 0,523

0,460

0,480

0,500

0,520

0,540

0,560

0,580

Cosine Normalization

Runtime Skenario 1

k=2 k=3 k=4 k=5 k=6 k=7 k=8

83


Gambar 5.2 Hasil Memory Consumption Skenario 1


memory consumption untuk masing-masing nilai k. Semakin kecil

nilai memory consumption pada proses simulasi maka hasil ini

semakin bagus. Sebab akan membutuhkan resource yang lebih

kecil. Pada hasil skenario 1 , Nilai k=2 memiliki nilai memory

consumption yang terbaik.

Gambar 5.3 Hasil Silhouette Coefficient Skenario 1


nilai silhouette coefficient untuk masing-masing nilai k. Nilai nilai

silhouette coefficient merupakan suatu ukuran yang menunjukan

seberapa ketat data dikelompokan dalam cluster. Pada hasil

skenario 1 , Nilai k=2 memiliki nilai nilai silhouette coefficient

2880429334

31156

3017829728

30477 30509

27000

28000

29000

30000

31000

32000


Memory Consumption Skenario 1

k=2 k=3 k=4 k=5 k=6 k=7 k=8

0,572

0,5480,543

0,517

0,5290,534 0,531

0,480

0,500

0,520

0,540

0,560

0,580


Silhouette coefficient Skenario 1

k=2 k=3 k=4 k=5 k=6 k=7 k=8

84


yang terbaik. Semakin tinggi nilai k yang digunakan semakin kecil

nilai silhouette coefficient yang didapatkan. Sejalan dengan

penelitian (Hudin et al., 2018) yang melakukan penelitian pada

pengelompokan dokumen skripsi yaitu pada saat nilai k yang

digunakan semakin besar nilai nilai silhouette coefficient yang

didapatkan menurun dikarenakan merusak pengelompokan yang

seharusnya berada pada satu cluster tetapi menjadi terpisah antar

cluster.

5.4.2 Skenario 2

Berikut ini rata-rata hasil dari skenario 2 pada simulasi nilai

k=2 sampai k=8. :

Tabel 5.17 Hasil Perbandingan Skenario 2

Output k=2 k=3 k=4 k=5 k=6 k=7 k=8

Runtime (s) 0,546 0,544 0,561 0,564 0,542 0,538 0,557

Memory

Consumption

(kb)

28574 28640 30934 34242 33282 32762 32799

Nilai

Silhouette

Coefficient

0,611 0,570 0,551 0,542 0,548 0,531 0,514

Pada tabel di atas menunjukkan hasil simulasi pada skenario

2 yang dilakukan terhadap nilai k=2 sampai k=8 yang diambil dari

nilai rata-ratanya.

85


Gambar 5.4 Hasil Runtime Skenario 2


runtime untuk masing-masing nilai k. Semakin kecil nilai runtime

pada proses simulasi maka hasil ini semakin bagus. Pada hasil

skenario 2 , Nilai k=7 memiliki nilai runtime yang terbaik.

Gambar 5.5 Hasil Memory Consumption Skenario 2


memory consumption untuk masing-masing nilai k. Semakin kecil

nilai memory consumption pada proses simulasi maka hasil ini

semakin bagus. Sebab akan membutuhkan resource yang lebih

kecil. Pada hasil skenario 2 , Nilai k=2 memiliki nilai memory

consumption yang terbaik.

0,546 0,544

0,5610,564

0,5420,538

0,557

0,520

0,530

0,540

0,550

0,560

0,570

Min-max Normalization

Runtime Skenario 2

k=2 k=3 k=4 k=5 k=6 k=7 k=8

28574 28640

30934

3424233282 32762 32799

24000

26000

28000

30000

32000

34000

36000


Memory Consumption Skenario 2

k=2 k=3 k=4 k=5 k=6 k=7 k=8

86


Gambar 5.6 Hasil Silhouette Coefficient Skenario 2


nilai silhouette coefficient untuk masing-masing nilai k. Nilai nilai

silhouette coefficient merupakan suatu ukuran yang menunjukan

seberapa ketat data dikelompokan dalam cluster. Pada hasil

skenario 2 , Nilai k=2 memiliki nilai nilai silhouette coefficient

yang terbaik. Sama halnya seperti pada skenario pertama bahwa

hasil skenario kedua juga sejalan dengan penelitian (Hudin et al.,

2018).

5.5 Analisis Output dengan Metode Perbandingan Eksponensial

Dalam menghitung dan membandingkan proses pengelompokan

dari dua skenario tersebut sebagai berikut:

1. Menentukan alternatif

Dalam penelitian ini, parameter yang digunakan untuk

membandingkan metode normalisasi adalah runtime dan

memory consumption. Dari hasil analisis perbandingan

kecepatan (runtime) dan memori yang digunakan (memory

consumption).

2. Menentukan kriteria

Untuk dapat membandingkan kedua alternatif tersebut,

maka selanjutnya perlu dilakukan penentuan kriteria dalam

0,611

0,5700,551 0,542 0,548

0,5310,514

0,450

0,500

0,550

0,600

0,650


Silhouette coefficient Skenario 2

k=2 k=3 k=4 k=5 k=6 k=7 k=8

87


menganalisis proses dan cara kerjanya. Untuk kriterianya

dapat dilihat pada tabel berikut :

Tabel 5.18 Penentuan Kriteria

Kriteria Keterangan

Runtime yaitu jumlah waktu

yang digunakan dalam

melakukan pengelompokan

Perhitungan waktu dihitung

pada saat tombol submit

diklik yaitu dari mulai

semua fungsi sampai selesai

Memory consumption yaitu

besar memori yang

digunakan saat melakukan

pengelompokan

Perhitungan pemakaian

memori dihitung pada saat

tombol submit diklik yaitu

dari mulai semua fungsi

sampai selesai

3. Menentukan bobot kriteria

Penentuan bobot merupakan salah satu komponen yang

sangat berpengaruh terhadap nilai analisis, untuk itu

menentukan bobot kriteria berdasarkan tingkatan pengaruh

dalam menentukan kecepatan dalam melakukan

pengelompokan. Berdasarkan penelitian sebelumnya (Hanum et

al., 2018) telah melakukan wawancara dengan narasumber

pakar dalam penentuan bobot kriteria, kecepatan eksekusi dan

konsumsi memori merupakan suatu hal yang penting dalam

suatu proses pembuatan sistem dan dapat dijadikan sebagai

perbandingan untuk menentukan performa dari setiap algoritma.

Dari hasil wawancara tersebut di dapatkan hasil rata-rata

pembobotan penilaian, runtime dan memory consumption

adalah sebesar 0,5.

88


Tabel 5.19 Pembobotan masing-masing kriteria

Kriteria Presentase

Pengaruh Kriteria

Bobot Range

(0-1)

Runtime (s) 50% 0,5

Memory

consumption (kb)

50% 0,5

4. Pemberian nilai pada setiap kriteria

Pada kriteria yang telah dibentuk harus diberikan nilai.

Nilai tersebut dapat dilihat pada contoh di bawah ini yang

dimana nilainya diambil berdasarkan analisa skenario

sebelumnya.

Tabel 5.20 Pemberian Nilai Kriteria

Alternatif Simulasi

ke-

Nilai

k

Kriteria

Runtime Memory

consumption

Cosine

Normalization

1 2 0,502 28804

2 3 0,532 29334

3 4 0,561 31156

4 5 0,538 30178

5 6 0,534 29728

6 7 0,524 30477

7 8 0,523 30509

Min-max

Normalization

1 2 0,546 28574

2 3 0,544 28640

3 4 0,561 30934

4 5 0,564 34242

5 6 0,542 33282

6 7 0,538 32762

7 8 0,557 32799

5. Menghitung nilai

Setelah semua kriteria terisi, maka proses selanjutnya adalah

melakukan perhitungan dengan menggunakan rumus dari

89


Metode Perbandingan Eksponensial (MPE). Proses

perhitungannya sebagai berikut:

a. Proses Perhitungan total nilai pada simulasi nilai k=2 :

Nilai Cosine Normalization

= (0,502)0,5 + (28804)0,5

= 0.70851 + 169.71741

= 170.42593

Nilai Min-max Normalization

= (0,546)0,5 + (28574)0,5

= 0.73891 + 169.03845

= 169.77737

b. Proses Perhitungan total nilai pada simulasi nilai k=3 :


= (0,532)0,5 + 29334)0,5

= 0.72938 + 171.27171

= 172.00109


= (0,544)0,5 + (28640)0,5

= 0.73756 + 169.23356

= 169.97112

c. Proses Perhitungan total nilai pada simulasi nilai k=4 :


= (0,561)0,5 + (31156)0,5

= 0.74899 + 176.51062

= 177.25962


= (0,561)0,5 + (30934)0,5

= 0.74899 + 175.88064

= 176.62964

d. Proses Perhitungan total nilai pada simulasi nilai k=5 :


90


= (0,538)0,5 + (30178)0,5

= 0.73348 + 173.71816

= 174.45164


= (0,564)0,5 + (34242)0,5

= 0.75099 + 185.04594

= 185.79693

e. Proses Perhitungan total nilai pada simulasi nilai k=6 :


= (0,534)0,5 + (29728)0,5

= 0.73075 + 172.41809

= 173.14884


= (0,542)0,5 + (33282)0,5

= 0.73620 + 182.43355

= 183.16975

f. Proses Perhitungan total nilai pada simulasi nilai k=7 :


= (0,524)0,5 + (30477)0,5

= 0.72387 + 174.57663

= 175.30050


= (0,538)0,5 + (32762)0,5

= 0.73348 + 181.00276

= 181.73624

g. Proses Perhitungan total nilai pada simulasi nilai k=8 :


= (0,523)0,5 + (30509)0,5

= 0.72318 + 174.66826

= 175.39144


91


= (0,557)0,5 + (32799)0,5

= 0.74632 + 181.10494

= 181.85126

h. Menghitung nilai prioritas keputusan

Total nilai Cosine Normalization

= 170.42593 + 172.00109 + 177.25962 + 174.45164 +

173.14884 + 175.30050 + 175.39144

= 1.217,97906

Total nilai Min-max Normalization

= 169.77737 + 169.97112 + 176.62964 + 185.79693 +

183.16975 + 181.73624 + 181.85126

= 1.248,93231

6. Menentukan hasil atau prioritas keputusan

Setelah diperoleh nilai akhir atau total nilai dari masing-

masing, alternatif, maka tahapan selanjutnya yang perlu

dilakukan adalah menentukan prioritas keputusan berdasarkan

nilai dari masing-masing alternatif. Hasil prioritas keputusan

dapat dilihat pada tabel dibawah ini :

Tabel 5.21 Prioritas Keputusan

Alternatif Total Nilai Ranking

Cosine

Normalization

1.217,97906 1

Min-max

Normalization

1.248,93231 2

Dari hasil perhitungan dengan menggunakan Metode

Perbandingan Eksponensial, dapat diketahui bahwa metode

normalisasi yang paling efektif dengan parameter runtime dan

memory consumption adalah Cosine Normalization.

Setiap metode normalisasi yang dipakai pada setiap

skenario ini memiliki kelebihan dan kekurangannya masing-

92


masing. Dari analisis kinerja yang telah penulis lakukan,

untuk parameter runtime, Cosine Normalization adalah metode

yang paling baik digunakan untuk nilai k yang kecil,

sedangkan Min-max Normalization adalah metode yang paling

baik digunakaan jika nilai k yang digunakan besar.

Untuk paramater memory consumption, semakin besar

nilai k yang digunakan, maka masing-masing metode

normalisasi akan membutuhkan memori yang semakin

banyak. Namun, dari hasil analisis yang telah penulis

lakukan, memory consumption terkecil adalah Min-max

Normalization.

.

93

BAB 6

PENUTUP

6.1 Kesimpulan

Hasil perbandingan metode normalisasi Cosine Normalization dan

Min-max Normalization pada pengelompokan terjemahan ayat Al Quran,

peneliti mendapatkan hasil tingkat nilai silhouette coefficient tertinggi

yaitu pada skenario kedua menggunakan Min-max Normalization pada

saat nilai k=2. Hasil perbandingan nilai silhouette coefficient menunjukan

bahwa antara Cosine Normalization dengan Min-max Normalization tidak

terlalu signifikan, sama-sama pada medium structure. Dapat disimpulkan

pada setiap metode normalisasi yang dipakai pada pengelompokan

terjemahan ayat Al Quran menggunakan Algoritma K-Means Clustering

bahwa semakin besar nilai k yang digunakan maka semakin kecil nilai

silhouette coefficientnya. Sedangkan hasil perbandingan runtime dan

memory consumption dengan menggunakan Metode Perbandingan

Eksponensial (MPE) menunjukan bahwa Cosine Normalization memiliki

nilai terbaik pada runtime dan memory consumption.

6.2 Saran

Pada penelitian saat ini peneliti menyadari bahwa masih banyak

kekurangan dan keterbatasan. Oleh karena itu, ada beberapa hal yang bisa

sarankan untuk penelitian selanjutnya agar hasilnya lebih memuaskan dan

lebih baik, yaitu:

1. Pada penelitian ini masih banyak kata yang sama muncul pada setiap

clusternya seperti kata maha, sungguh. Diharapkan penelitian

selanjutnya bisa menambahkan kata-kata tersebut kedalam kamus

stopword.

2. Penelitian ini hanya berfokus pada perbandingan metode normalisasi

dan pemilihan nilai k yang terbaik, diharapkan pada penelitian

selanjutnya dapat dibuat rancang bangun aplikasi berbasis mobile.

94


3. Pada penelitian ini hanya menampilkan kata yang sering muncul dari

setiap clusternya, diharapkan pada penelitian selanjutnya dilakukan

penentuan oleh ahli dari setiap kata yang sering muncul tersebut untuk

dijadikan tema.

4. Penelitian ini hanya menggunakan terjemahan surah Al Baqarah saja.

Diharapkan penelitian selanjutnya bisa menggunakan seluruh

terjemahan ayat Al Quran.

5. Untuk mengetahui hasil perbandingan yang lebih luas dapat

menggunakan bahasa pemrograman yang lain dengan implementasi

ke objek yang berbeda.

95

DAFTAR PUSTAKA

Abbas, N. H. (2009). Quran “Search for a Concept” Tool and Website. The

University of Leeds.

Ahmad, O., Hyder, I., Iqbal, R., Murad, M. A. A., Mustapha, A., Sharef, N. M., &

Mansoor, M. (2013). A Survey of Searching and Infomation Extraction on a

Classical Text Using Ontology-based semantics modelling: A Case of Quran.

Life Science Journal.

Albate, A., & Minker, W. (2011). Semi-Supervised and Unsupervised Machine

Learning. Wiley.

Amalia, N. A. (2016). Implementasi Support Vector Machine (SVM) Pada

Klasifikasi Laporan Skripsi. Universitas Komputer Indonesia.

Berry, M. W., & Kogan, J. (2010). Text Mining Applications and Theory. (J. Wiley,

Ed.). West Sussex.

Budiman, S. A. D., Safitri, D., & Ispriyanti, D. (2016). Perbandingan Metode K-

Keans dan Metode DBSCAN pada Pengelompokan Rumah Kost Mahasiswa

Di Kelurahan Tembalang Semarang. Jurnal Gaussian, 5, 757–762.

Domeniconi, G., Moro, G., B, R. P., & Sartori, C. (2016). A Comparison of Term

Weighting Schemes for Text Classification and Sentiment Analysis with a

Supervised Variant of tf . idf, 39–58. https://doi.org/10.1007/978-3-319-

30162-4

Faizin, A. S. W. (2018). Implementasi K-Means Clustering pada Terjemahan Al-

Qur’an Berdasarkan Keterkaitan Topik. UIN Sunan Kalijaga.

Feldman, R., & Sanger, J. (2007). The Text Mining Handbook : Advanced

Approaches in Analyzing Unstructured Data. New York: Cambridge

University Press.

Fitrah, M., & Luthfiyah. (2017). Metodologi Penelitian; Penelitian Kualitatif,

Tindakan Kelas & Studi Kasus. (Ruslan & M. M. Effendi, Eds.). Sukabumi:

CV Jejak.

Hamid, A. (2016). Pengantar Studi Al-Qur’an (1st ed.). Jakarta: Prenadamedia

Group.

Han, J., Kamber, M., & Pei, J. (2011). Data Mining : Concepts and Techniques

(Third Edition). Waltham: Morgan Kaufmann Publishers.

Hanum, N. R., Shofi, I. M., & Masruroh, S. U. (2018). Analisis Perbandingan

Kinerja Algoritma Boyer Moore, Horspoo,Dan Zhu Takaoka Pada Repositori

Hadist Bukhori Terjemahan Bahasa Indonesia. UIN Syarif Hidayatullah

Jakarta.

96


Haryati, D. F., Abdillah, G., & Hadiana, A. I. (2016). Klasifikasi Jenis Batubara

Menggunakan Jaringan Syaraf Tiruan Dengan Algoritma Backpropagatiion.

Seminar Nasional Teknologi Informasi Dan Komunikasi, 2016(Sentika), 18–

19.

Hudin, M. S., Fauzi, M. A., & Adinugroho, S. (2018). Implementasi Metode Text

Mining dan K-Means Clustering untuk Pengelompokan Dokumen Skripsi (

Studi Kasus : Universitas Brawijaya ). Pengembangan Teknologi Informasi

Dan Ilmu Komputer, 2(11), 5518–5524.

Irwansyah, E., & Faisal, M. (2015). Advanced Clustering : Teori dan Aplikasi.

Yogyakarta: Deepublish.

Jamdar, A., Abraham, J., Khanna, K., & Dubey, R. (2015). Emotion Analysis Of

Songs Based On Lyrical And Audio Features. International Journal of

Artificial Intelligence & Applications (IJAIA), 6(3).

Kaufman, L., & Rousseeuw, P. J. (1990). Finding Groups in Data. New York:

Wiley.

Melita, R., Amrizal, V., Suseno, H. B., & Dirjam, T. (2018). Penerapan Metode

Term Frequency Inverse Document Frequency (TF-IDF) Dan Cosine

Similarity Pada Sistem Temu Kembali Informasi Untuk Mengetahui Syarah

Hadist Berbasis Web (Studi Kasus: Hadist Shahih Bukhari-Muslim). UIN

Syarif Hidayatullah Jakarta.

Merliana, N. P. E., Ernawati, & Santoso, J. (2015). Analisa Penentuan Jumlah

Cluster Terbaik Pada Metode K-Means, 978–979.

Munir, R., & Lidya, L. (2016). Algoritma dan Pemrograman Dalam Bahasa

PASCAL, C, dan C++ Edisi Keenam. Informatika.

Nasution, D. A., Khotimah, H. H., & Chamidah, N. (2019). Perbandingan

Normalisasi Data Untuk Klasifikasi Wine Menggunakan Algoritma K-NN.

CESS (Journal of Computer Engineering System and Science), 4(1), 78–82.

Novitasari, D. (2016). Perbandingan Algoritma Stemming Porter Dengan Arifin

Setiono Untuk Menentukan Tingkat Ketepatan Kata Dasar, 1(2), 120–129.

Nugroho, H. T. (2017). Pengaruh Algoritma Stemming Nazief-Adriani Terhadap

Kinerja Algoritma Winnowing Untuk Mendeteksi Plagiarisme Bahasa

Indonesia. Jurnal ULTIMA Computing, 9(1), 36–40.

https://doi.org/10.31937/sk.v9i1.572

Patro, S. G. K., & Kumar, K. (2015). Normalization : A Preprocessing Stage,

(April). https://doi.org/10.17148/IARJSET.2015.2305

Patro, S. G. K., Sahoo, P. P., Panda, I., & Sahu, K. K. (2015). Technical Analysis

on Financial Forecasting. International Journal of Computer Sciences and

Engineering, 3(1), 1–6.

Prasetyo, E. (2012). Data Mining Konsep dan Aplikasi menggunakan MATLAB. (N.

97


WK, Ed.). Gresik: CV Andi Offset.

Prasidhatama, A., & Suryaningrum, K. M. (2018). Perbandingan Algoritma Nazief

& Adriani Dengan Algoritma Idris Untuk Pencarian Kata Dasar. Jurnal

Teknologi & Manajemen Informatika, 4(1), 1–4.

Pratiwi, H. (2016). Buku Ajar Sistem Pendukung Keputusan. Bandung: Abdi

Sistematika.

Rezalina, O. (2016). Perbandingan Algoritma Stemming Nazief & Andriani, Porter

dan Arifin Setiono Untuk Dokumen Teks Bahasa Indonesia, 1–5.

Rohmawati, N., Defiyanti, S., & Jajuli, M. (2015). Implementasi Algoritma K-

Means Dalam Pengklasteran Mahasiswa Pelamar Beasiswa. Jurnal Ilmiah

Teknologi Informasi Terapan, I(2), 62–68.

Salim, M. A. (2017). Pengembangan Aplikasi Penilaian Ujian Essay Berbasis

Online Menggunakan Algoritma Nazief Dan Adriani Dengan Metode Cosine.

Jurnal IT-EDU, 2, 126–135.

Sari, F. (2018). Metode Dalam Pengambilan Keputusan. Yogyakarta: Pendidikan

Deepublish.

Singhal, A., Buckley, C., & Mitra, M. (2017). Pivoted Document Length

Normalization, 51(2).

Siregar, K. (2016). Simulasi Dan Pemodelan. Yogyakarta: Deepublish.

Sitorus, L. (2015). Algoritma dan Pemprograman. (A. Pramesta, Ed.). Yogyakarta:

CV Andi Offset.

Sugiyono. (2017). Metode Penelitian Kuantitatif, Kualitatif, dan R&D. Bandung:

Alfabeta.

Ukkasyah, S. A. (2018). Klasifikasi Kitab Tafsir Al Qur’an. Retrieved March 21,

2019, from https://muslim.or.id/36639-klasifikasi-kitab-tafsir-al-quran-

01.html

Virmani, D., Taneja, S., & Malhotra, G. (2015). Normalization based K means

Clustering Algorithm, 1–5.

Wimmer, H. (2018). Effects of Normalization Techniques on Logistic Regression

in Data Science. Proceedings of the Conference on Information Systems

Applied Research, 1–9.

Yulian, E. (2018). Text Mining dengan K-Means Clustering pada Tema LGBT

dalam Arsip Tweet Masyarakat Kota Bandung, 4(1), 53–58.

98

LAMPIRAN

I Kata yang sering muncul pada skenario 1 nilai k=2

Cluster 1 Cluster 2

allah (150)

sungguh (61)

maha (45)

iman (42)

kata (35)

ketahu (33)

kepada (29)

buat (27)

jadi (25)

nya (24)

al (23)

kitab (22)

benar (21)

kafir (21)

bagi (21)

i (20)

ingat (20)

tuhan (20)

baik (20)

tunjuk (17)

nar (16)

hai (16)

dapat (16)

takwa (16)

ku (16)

atas (16)

allah (190)

sungguh (63)

maha (50)

nya (48)

bagi (41)

tuhan (39)

kata (37)

i (35)

iman (33)

jadi (31)

hari (30)

ketahu (29)

anak (26)

buat (26)

datang (24)

dua (24)

kepada (24)

jalan (23)

manusia (22)

ister (21)

baik (21)

dapat (21)

atas (21)

dosa (20)

kafir (20)

ingat (19)

99


jalan (15)

manusia (14)

hati (13)

hukum (13)

barangsiapa (19)

hati (19)

kitab (17)

turun (17)

II Kata yang sering muncul pada skenario 2 nilai k=2

Cluster 1 Cluster 2

allah (194)

sungguh (88)

maha (53)

iman (49)

nya (44)

ketahu (43)

kata (41)

tuhan (38)

i (33)

bagi (32)

jadi (30)

kepada (29)

buat (29)

kitab (29)

kafir (28)

ingat (26)

jalan (26)

baik (25)

dapat (25)

benar (25)

al (22)

tunjuk (21)

manusia (21)

takwa (20)

allah (146)

maha (42)

sungguh (36)

kata (31)

bagi (30)

hari (28)

nya (28)

jadi (26)

iman (26)

buat (24)

kepada (24)

i (22)

tuhan (21)

ketahu (19)

atas (18)

anak (18)

dosa (18)

datang (16)

barangsiapa (16)

baik (16)

manusia (15)

dua (15)

ikan (15)

cara (15)

100


turun (20)

ister (20)

atas (19)

datang (19)

hukum (18)

terang (18)

hati (15)

bum (14)

al (14)

ingat (13)

kafir (13)

rasul (12)

ANALISIS PERBANDINGAN COSINE NORMALIZATION DAN MIN...

Documents

Transcript of ANALISIS PERBANDINGAN COSINE NORMALIZATION DAN MIN...