<![CDATA[Tingginya volume literatur akademik dari berbagai disiplin ilmu menimbulkan tantangan dalam mengelola dan menganalisis informasi secara efektif. Penelitian ini mengangkat permasalahan kurangnya metode otomatisasi dalam pengelompokan konten multidisipliner. Sebagai solusinya, diterapkan algoritma K-Means Clustering untuk mengelompokkan data teks yang bersumber dari empat buku akademik lintas bidang: sosial-politik, keuangan pribadi, teknologi informasi, dan ekonomi makro. Metode yang digunakan mencakup ekstraksi manual teks penting, praproses data dengan tokenisasi dan TF-IDF, serta penerapan algoritma K-Means untuk membentuk klaster berdasarkan kesamaan tematik. Hasil penelitian menunjukkan bahwa metode ini berhasil mengelompokkan teks ke dalam klaster yang konsisten dengan bidang masing-masing, dengan nilai Silhouette Score sebesar 0,968 yang mengindikasikan kualitas pemisahan antar kelompok sangat baik. Temuan ini memperkuat efektivitas algoritma K-Means dalam analisis literatur multidisipliner dan menunjukkan potensinya sebagai alat bantu dalam eksplorasi konseptual dan klasifikasi konten akademik secara otomatis.]]>
Copyrights © 2025
