CLUSTERING BERITA OLAHRAGA BERBAHASA INDONESIA MENGGUNAKAN METODE K-MEDOID BERSYARAT

Ach. Yasir Rofiqi (Teknik Informatika, Fakultas Teknik Universitas Trunojoyo Madura Jl. Raya Telang, Telang, Kamal, Madura, Jawa Timur 69162)

Jurnal Simantec
Vol 6, No 1 (2017)

ABSTRAKBerita merupakan fakta ataupun opini yang membuat banyak orang merasa tertarik untuk mengetahuinya. Berita olahraga merupakan salah satu berita yang memiliki rating pengaksesan cukup tinggi. Berita olahraga memiliki berbagai cabang seperti bola, raket, balap dan lain-lain. Oleh karena itu, berita olahraga memerlukan pengelompokkan berita. Pengelompokan dilakukan dengan tujuan agar berita tersebut terhimpun menjadi suatu kelompok sesuai dengan kesamaan berita. Pengelompokan dapat dilakukan dengan berbagai metode. Salah satu metode yang digunakan adalah k-medoid. K-medoid merupakan metode pengelompokkan yang bekerja secara optimal untuk mengelompokkan berita olahraga dalam jumlah yang sedikit. Setelah semua berita dikelompokkan sesuai dengan kemiripannya, hasil pengelompokkan tersebut perlu diukur nilai akurasinya. Pada saat uji coba dilakukan menghasilkan nilai akurasi sebesar 0,584 dengan jumlah cluster yang dinputkan sebanyak lima cluster. Perbaikan metode k-medoid dengan menambahkan metode cosine similarity mampu meningkatkan nilai akurasi yang semula rata-rata 0,44 bertambah optimal menjadi 0,55.Kata kunci: Berita olahraga, Cluster, K-medoid, medoid, cosine similarity.ABSTRACTNews is a fact or opinion that makes many people feel interested to know. Sports news is one of the news that has access rating is high enough. Sports news has various branches such as ball, racket, racing and others. Therefore, sports news needs the latest news. Grouping is done with the aim that the news is gathered into groups according to the similarity of news. Grouping can be done in various ways. One of the methods used is k-medoid. K-medoid is a grouping method that works optimally for grouping sports news in small quantities. After all the news is grouped according to the similarity, the result of grouping needs to be measured with accuracy. At the time of trial is done to produce an accuracy of 0.584 with the number of clusters in the input as many as five clusters. Improving k-medoid method by adding cosine similarity method can increase the original accuracy value of 0.44 to optimally increase to 0.55.Keywords: Sports news, cluster, k-medoids, medoid, cosine similarity.