CLUSTERING DATASET AFFECTIVE NORM FOR ENGLISH WORDS (ANEW) MENGGUNAKAN METODE K-MEANS DAN DBSCAN

• IKHWANUL HAKIM
• 14002322

---

ABSTRAK

ABSTRAK

 

 

 

Nama               : Ikhwanul Hakim

NIM                : 14002322

Program Studi : Ilmu Komputer

Jenjang            : Strata Dua (S2)

Konsentrasi     : Data Mining

Judul               : “Clustering Dataset Affective Norm for English Words (ANEW) Menggunakan Metode K-Means dan DBScan”

 

Clustering merupakan suatu proses untuk membagi suatu set objek data ke dalam kumpulan data yang biasa disebut dengan cluster.  Objek yang berada di dalam satu cluster memiliki karakteristik antar sesama anggota cluster nya dan memiliki karakteristik yang berbeda dengan kelompok cluster yang lain. Untuk melakukan proses partisi antar cluster tidak dilakukan secara manual, namun dengan menggunakan algoritma clustering yang dapat langsung mengelompokan tiap data, sesuai dengan karakteristik nya masing-masing. Penelitian ini bertujuan untuk melakukan clustering terhadap dataset ANEW dengan menggunakan K-Means dan DBScan agar dapat melihat algoritma mana yang paling baik. Hasil penelitian yang diperoleh Metode K-Means pada dataset allsubject menghasilkan nilai silhouette coefficient sebesar 0.477. Metode DBScan menghasilkan nilai silhouette coefficient sebesar 0.222. Metode K-Means pada dataset male menghasilkan nilai silhouette coefficient sebesar 0.391. Metode DBScan menghasilkan nilai silhouette coefficient sebesar 0.344. Metode K-Means pada dataset female menghasilkan nilai silhouette coefficient sebesar 0.479. Metode DBScan menghasilkan nilai silhouette coefficient sebesar 0.173. Dengan demikian dapat disimpulkan bahwa untuk proses clustering menggunakan dataset ANEW. Algoritma K-Means lebih baik dari pada Algoritma DBScan. Hal tersebut terjadi karena seluruh nilai dari silhouette coefficient yang dihasilkan oleh algoritma K-Means memiliki nilai yang lebih mendekati 1, yang mana hal tersebut lebih baik dalam proses clustering.

 

Kata Kunci : Clustering, K-Means, DBScan

KATA KUNCI

Metode K-means,Dbscan

---

DAFTAR PUSTAKA

DAFTAR REFERENSI

 

[1]         K. Mumtaz, M. Studies, and T. Nadu, “An Analysis on Density Based Clustering of Multi Dimensional Spatial Data,” Indian J. Comput. Sci. Eng., vol. 1, no. 1, pp. 8–12, 2010.

[2]         T. Debatty et al., “Determining the k in k-means with MapReduce To cite this version?: HAL Id?: hal-01525708 Determining the k in k-means with MapReduce,” 2017.

[3]         “Kementerian Pendidikan dan Kebudayaan?» Republik Indonesia.” https://www.kemdikbud.go.id/main/blog/2020/08/direktorat-jenderal-pendidikan-tinggi-umumkan-klasterisasi-perguruan-tinggi-indonesia-tahun-2020 (accessed Feb. 17, 2021).

[4]         M. M. Bradley and P. J. Lang, “Affective Norms for English Words (ANEW): Instruction Manual and Affective Ratings,” 1999.

[5]         D. T. Larose and C. D. Larose, Discovering Knowledge in Data: An Introduction to Data Mining: Second Edition, vol. 9780470908. 2014.

[6]         D. H. Murti, N. Suciati, and D. J. Nanjaya, “Clustering Data Non-Numerik Dengan Pendekatan Algoritma K-Means Dan Hamming Distance Studi Kasus Biro Jodoh,” JUTI J. Ilm. Teknol. Inf., vol. 4, no. 1, p. 46, 2005, doi: 10.12962/j24068535.v4i1.a245.

[7]         Y. T. Sarwono, “Aplikasi Model Jaringan Syaraf Tiruan Dengan Radial Basis Function Untuk Mendeteksi Kelainan Otak ( Stroke Infark ),” J. Sist. Inf., pp. 1–10, 2010.

[8]         T. S. Madhulatha, “AN OVERVIEW ON CLUSTERING METHODS,” IOSR J. Eng., 2012, doi: 10.9790/3021-0204719725.

[9]         D. A. I. C. Dewi and D. A. K. Pramita, “Analisis Perbandingan Metode Elbow dan Silhouette pada Algoritma Clustering K-Medoids dalam Pengelompokan Produksi Kerajinan Bali,” Matrix  J. Manaj. Teknol. dan Inform., vol. 9, no. 3, pp. 102–109, 2019, doi: 10.31940/matrix.v9i3.1662.

[10]      T. M. Kodinariya and D. P. R. Makwana, “Review on Determining of Cluster in K-means Clustering Review on determining number of Cluster in K-Means Clustering,” Int. J., 2016.

[11]      S. Petrovic, “A Comparison Between the Silhouette Index and the Davies-Bouldin Index in Labelling IDS Clusters,” 11th Nord. Work. Secur. IT-systems, 2006.

[12]      M. Ester, H.-P. Kriegel, J. Sander, and X. Xu, “A Density-Based Algorithm for Discovering Clusters in Large Spatial Databases with Noise,” 1996.

[13]      A. S. Devi, I. K. G. D. Putra, and I. M. Sukarsa, “Implementasi Metode Clustering DBSCAN pada Proses Pengambilan Keputusan,” Lontar Komput.  J. Ilm. Teknol. Inf., vol. 6, no. 3, p. 185, 2015, doi: 10.24843/lkjiti.2015.v06.i03.p05.

[14]      I. M. Suwija, “Algoritma DBSCAN (Density-Based Spatial Clustering of Application with Noise) dan Contoh Perhitungannya,” 2018.

[15]      Eko Prasetyo, Data Mining?: Konsep Dan Aplikasi Menggunakan Matlab. 2013.

[16]      S. Budiman, D. Safitri, and D. Ispriyanti, “Perbandingan Metode K-Means Dan Metode Dbscan Pada Pengelompokan Rumah Kost Mahasiswa Di Kelurahan Tembalang Semarang,” None, vol. 5, no. 4, pp. 757–762, 2016.

[17]      E. Schubert, J. Sander, M. Ester, H. P. Kriegel, and X. Xu, “DBSCAN revisited, revisited: Why and how you should (still) use DBSCAN,” ACM Trans. Database Syst., 2017, doi: 10.1145/3068335.

[18]      S. Defiyanti, M. Jajuli, T. Informatika, F. Ilmu, K. Universitas, and S. Karawang, “IMPLEMENTASI ALGORITMA K-MEANS DALAM,” vol. I, no. 2, pp. 62–68, 2015.

[19]      M. Buccoli, M. Zanoni, G. Fazekas, A. Sarti, and M. Sandler, “A higher-dimensional expansion of affective norms for english terms for music tagging,” Proc. 17th Int. Soc. Music Inf. Retr. Conf. ISMIR 2016, pp. 316–322, 2016.