PENGARUH REDUKSI DIMENSI TERHADAP METODE PENGKLASTERAN BERBASIS CENTROID DAN METODE PENGKLASTERAN BERBASIS DENSITY DALAM PENGKLASTERAN DOKUMEN TEKS

Abstract

Pengklasteran berbasis kepadatan biasanya lebih efisien bekerja pada data dengan kepadatan yang berbeda, dimana metoda ini dipelopori oleh algoritma Density-Based Spatial Clustering of Application with Noise (DBSCAN). Terdapat perbedaan perilaku yang signifikan antara k-Means dan DBSCAN, yaitu perlakuan terdapat data yang mengandung noise. Untuk itu maka penelitian ini mempelajari pengaruhi reduksi dimensi pada data berdimensi tinggi terhadap hasil pengklasteran oleh algoritma k-Means yang mewakili metode centroid dengan hasil pengklasteran oleh algoritma DBSCAN yang mewakili metode density. Sekalipun secara numerikal terjadi peningkatan kualitas hasil klaster pada k-Means setelah direduksi oleh Singular Value Decomposition (SVD), yaitu dari rata-rata jarak awal 1.04136 menjadi 0.003, namun secara statistik perubahan tersebut tidak signifikan atau dianggap sama. Sehingga secara statistik dapat disimpulkan bahwa tidak ada pengaruh oleh SVD terhadap kualitas hasil klaster oleh k-Means. Sebaliknya pada DBSCAN pengaruh reduksi dimensi oleh SVD sangat signifikan dimana mampu mengubah kualitas hasil klaster dari semula rata-rata jarak intra klaster 76.13480 menjadi 13.71130 atau terjadi peningkatan kualitas 555.27%. Pengaruh yang signifikan oleh SVD juga ditunjukkan pada perubahan waktu komputasi klaster baik pada optimasi SVD + k-Means dan terlebih lagi optimasi SVD + DBSCAN. Optimasi SVD mampu mempercepat waktu komputasi k-Means dari 3.68182 second menjadi 2.09091 second atau 1.76 kali lebih cepat. Sementara itu optimasi SVD mempercepat waktu komputasi DBSCAN dari 19.40000 second menjadi 0.97500 second atau 19.89 kali lebih cepat.