BAB V KESIMPULAN DAN SARAN

69

BAB V KESIMPULAN DAN SARAN

A. Kesimpulan Kesimpulan yang didapatkan setelah melakukan serangkaian penelitian dan pengujian adalah: 1. Hasil clustering dengan menggunakan pembobotan TF-IDF yang diintegrasikan ke k-Means clustering memiliki tingkat akurasi yang cukup tinggi (di atas 50%). 2. Rumus perhitungan TF-IDF standar (Robertson, 2004) tidak cocok diintegrasikan pada k-Means clustering, sehingga harus diberikan rumus normalisasi TF-IDF. 3. Penentuan titik awal centroid tiap cluster berpengaruh terhadap hasil clustering. 4.

Nilai threshold tidak memberikan akibat yang signifikan pada hasil clustering kecuali dipasang nilai terlalu tinggi (di atas 75%)

B. Saran Saran yang dapat diberikan bagi peneliti dalam bidang sejenis, yang ingin melanjutkan atau mengembangkan penelitian yang sudah diselesaikan ini adalah: 1. Mengembangkan aplikasi ini untuk tipe dokumen lain seperti .doc/.pdf/.html.

70

2. Meningkatkan waktu kinerja sistem yang dirasakan masih memakan waktu cukup banyak. 3. Menemukan suatu algoritma untuk mencari titik centroid awal yang terbaik untuk korpus dokumen tertentu.

71

Daftar Pustaka

Abbasi, Rabeeh and Steffen Staab, 2009, RichVSM: enRiched Vector Space Model for Folksonomies, Information Systems and Semantic Web Research Group, Institute for Computer Science, University of Koblenz – Landau, Koblenz.

Abual-Rub, Mohammed Said, Rosni Abdullah dan Nur’aini Abdul Rashid, 2007, A Modified Vector Space Model for Protein Retrieval, school of computer sciences, universiti Sains Malaysia, Penang, Malaysia.

Arthur, David and Sergei Vassilvitskii, 2006, How Slow is the k-Means Method, Stanford University, Stanford, CA.

Ben-David, Shai, David Pal, and Hans Ulrich Simon, 2009, Stability of k-Means clustering, David R. Cheriton School of Computer Science, University of Waterloo, Waterloo, Ontario, Canada.

Bhatia, Sanjiv K., 2004, Adaptive K-Means clustering, Department of Mathematics & Computer Science, University of Missouri – St. Louis.

72

Buckland, Michael and Fredric Gey, 1994, The Relation between Recall and Precision, Journal of the American Society for Information Science (1986-1998); Jan 1994; 45, 1; ABI/INFORM Global pg. 12.

Chen, Ja-Shen, Russel KH Ching, Yi-Shen Lin, 2004, An Extended Study Of The K-Means Algorithm For Data clustering And Its Applications, Journal of the Operational Research Society (2004) 55: 976-987.

Chen, Yiheng, Bing Qin, Ting Liu, Yuanchao Liu, Sheng Li, 2010, The Comparison of SOM and k-Means for Text clustering, Computer and Information Science, Vol. 3.

Cummins, Ronan and Colm O’Riordan, Evolving Local and Global Weighting Schemes in Information Retrieval, 2006, Springer Science+Business Media, LLC 2006

Ding, Jiarui, Jinhong Shi, Fang-Xiang Wu, 2009, Quality Assesment of Tandem Mess Spectra By Using A Weighted k-Means, Clin Proteom (2009) 5:15-22; DOI10.1007/s12014-009-9025-4.

Dominich S., 2008, The Modern Algebra of Information Retrieval, Springer. ISBN 3540776583.

73

Douglas Steinley, 2006, k-Means clustering: A Half Century Analysis, British Journal of Mathematical & Statistical Psychology, Academic Research Library.

Elkan, Charles; 2005, Deriving TF-IDF as a Fisher Kernel, Department of Computer Science and Engineering, University of California, San Diego.

Frahling, Gereon and Sohler, 2005, A Fast K-Means Implementation Using Coresets, Department of Computer Science, University of Paderborn, Paderborn

Gehanno, Jean-Francois, Laetitia Rollin, Tony Le Jean, 2009, Precision and Recall of Search Strategies for Identifying Studies on Return-to-Work in Medline, J Occup Rehabil (2009) 19:223–230; DOI 10.1007/s10926-009-9177-0.

Gong, Zhiguo and Qian Liu, 2009, Improving Keyword Based Web Image Search with Visual Feature Distribution and Term Expansion, Knowl Inf Syst (2009) 20:63–79; DOI 10.1007/s10115-008-0151-5.

74

Intan, Rolly dan Andrew Defeng, 2006, Subject Based Search Engine Menggunakan TF-IDF dan Jaccard’s Coefficient, Universitas Kristen Petra, Surabaya.

Jin, Ruoming, Anjan Goswani, Gagan Agrawal, 2006, Fast and Exact Out-of-Core And Distributed K-Means clustering, Knowledge Information System (2006) 10(1): 17–40; DOI 10.1007/s10115-0050210-0.

Kanungo, Tapas, David M. Mount, Nathan S. Nethanyahu, Christine D. Piatko, Ruth Silverman, Angela Y. Wu, 2002, An Efficient k-Means clustering

Algorithm:

Analysis

and

Implementation,

IEEE

Transactions on Pattern Analysis and Machine Intelligence.

Kathuria, Ashish, 2010, Classifying the User Intent of Web Queries Using K-Means clustering, Emerald Group Publishing Limited.

Khatatneh, Khalaf, M. Wedyan, Mohamed Alham, Basem Alrifai, 2005, Using New Data Structure to Implement Documents Vectors in Vector Space Model in Information Retrieval System, Prince Abdu Allah Bin Ghazi for IT, Al-Balqa Applied University Salt, Jordan

75

Kogan, Jacob, Marc Teboulle, Charles Nicholas, 2006, Data Driven Similarity

Measures

for

k-Means

Like

clustering

Algorithm,

Information Retrieval, 8, 331–349, 2005, © 2005 Springer Science + Business Media, Inc. Manufactured in The Netherlands.

Le Wang, Yan Jia, dan Weihong Han, 2007, Instant Message clustering Based on Extended Vector Space Model, Computer School, National University of Defense Technology, Changsha, China.

Likas, Aristidis, Nikos Vlassis, dan Jacob J. Verbeek, 2002, The Global K-Means clustering Algorithm, Department of Computer Science, University of Ioannina, Ioannina, Greece.

Lloyd., S. P. (1982). Least squares quantization in PCM. IEEE Transactions

on

Information

Theory

28

(2):

129–137.

doi:10.1109/TIT.1982.1056489.

Mahdavi, Mehrdad and Hassan Abolhassani; 2008, Harmony k-Means Algorithm for Document clustering, Springer Science+Business Media, LLC 2008.

76

Manning, Christoper D., Prabhakar Raghavan, Hinrich Schutze; 2008, Introduction to Information Retrieval, © Cambridge University Press, ISBN: 978-0-521-86571-5.

McJunkin, Monica Cahill, 1995, Precision and Recall in Title Keyword Searches, Information Technology and Libraries; Sep 1995; 14, 3; ABI/INFORM Global pg. 161.

Ming, Mark and Tso Chiang, 2010, Intelligent Choice of the Number of Cluster in k-Means clustering: An Experimental Study with Different Cluster Spreads, Journal of Classification 27:3-40.

Modha, Dharmendra S. and W. Scott Spangler, 2003, Feature Weighting in k-Means clustering, Kluwer Academic Publishers.

Moulin, Christophe, Cecile Barat, and Christophe Ducottet, 2010, Fusion of TF.IDF weighted bag of visual features for image classification, CBMI 2010.

Pham, D. T., S. S. Dimov, and C. D. Nguyen, 2004, An Incremental kMeans Algorithm, Proceedings of the Institution of Mechanical Engineers; Jul 2004; 218, 7; ProQuest Science Journals.

77

Pham, D. T., S. S. Dimov, and C. D. Nguyen, 2004, A Two Phase kMeans Algorithm For Large Datasets, 2004, Proceedings of the Institution of Mechanical Engineers; Proquest Science Journals.

Pham, D. T., S. S. Dimov, and C. D. Nguyen, 2005, Selection of K in k-Means clustering, Proceedings of the Institution of Mechanical Engineers; Proquest Science Journals

Price, Simon, Sebastian Spiegler, Peter A. Flach; 2010, SubSift: a Novel Application of the Vector Space Model to Support the Academic Research Process, Institute for Learning and Research Technology, University of Bristol, Bristol.

Ramos, Juan, 2010, Using TF-IDF to Determine Word Relevance in Document Queries,

Department of Computer Science, Rutgers

University, Piscataway.

Recupero, Diego R., 2007, A New Unsupervised Method for Document clustering By Using Wordnet Lexical And Conceptual Relations., Inf Retrieval (2007) 10:563–579; DOI 10.1007/s10791-007-9035-7; © Springer Science+Business Media, LLC 2007.

78

Rezgui, Yacine, 2007, Text Based Domain Ontology Using TF-IDF and Metric Cluster Techniques, The Knowledge Engineering Review, Vol.

22:4,

379–403.

2007,

Cambridge

University

Press,

doi:10.1017/S0269888907001130.

Robertson,

Stephen,

Frequency:

On

2004,

Theoritical

Understanding Arguments

Inverse

for

IDF,

Document Journal

of

Documentation; 2004; 60, 5; ABI/INFORM Global.

Savoy, Jacques, 2007, Searching Strategies for the Bulgarian Language, Springer Science + business Media, LLC 2007.

Schlieder, Torsten and Holger Meuss, 2002, Querying and Ranking XML Desktop, Journal of the American Society for Information Science and Technology; Apr 2002; 53, 6; ABI/INFORM Global pg. 489.

Setodji, Messan, and R Dennis Cook, 2004, K-Means Inverse Regression, Technometrics; Nov 2004; 46, 4; ABI/INFORM Global pg. 421.

Steinley, Douglas and Laurence Hubert, 2008, Order-Constrained Solutions In k-Means clustering: Even Better Than Being Globally

79

Optimal, PSYCHOMETRIKA – Vol. 73, No. 4, 647-664; December 2008; DOI: 10.1007/s11336-008-9058-z.

Steinley, Douglas and Michael J. Brusco, 2007, Initializing K-Means Batch clustering: A Critical Evaluation Of Several Techniques, Journal of Classification 24:99-121 (2007); DOI: 10.1007/s00357-007-0003-0.

Su, Louise T., 1994, The Relevance of Recall and Precision in User Evaluation, Journal of the American Society for Information Science (1986-1998); Apr 1994; 45, 3; ABI/INFORM Global pg. 207.

Tarpey, Thaddeus, 2007, A Parametric k-Means Algorithm, © Springer Verlag 2007, Computational Statistic 22: 71-89.

Takano, Kosuke, Xing Chen, Keisuke Masuda, 2009, A Framework for a Feedback Process to Analyze and Personalize A Document Vector Space in a Feature Extraction Model, Inf Technol Manag (2009) 10:151–176; DOI 10.1007/s10799-009-0055-4.

Umran, Munzir and Taufik F. Abidin, 2009, Pengelompokan Dokumen Menggunakan K-Means dan singular value decomposition: Studi Kasus menggunakan Data Blog, Data Mining and Information Retrieval Research Group, Universitas Syiah Kuala, Banda Aceh

80

Walters, William H., 2009, Google Scholar Search Performance: Comparative Recall and Precision, Portal: Libraries and the Academy, Vol. 9, No. 1 (2009), pp. 5–24. Copyright © 2009 by The Johns Hopkins University Press, Baltimore, MD 21218.

Wang, Ye-Yi dan Alex Acero, 2007, Maximum Entropy Model Parameterization with TF*IDF Weighted Vector Space Model, Microsoft Research.

Wang, Zheng, Qing Wang, Ding-Wei Wang, 2009, Bayesian Network Based Business Information Retrieval Model, Knowl Inf Syst (2009) 20:63–79; DOI 10.1007/s10115-008-0151-5.

Zhang, Tong and Frank J. Oles, 2001, Text Categorization Based on Regularized Linear Classification Methods, Information Retrieval; Apr 2001; 4, 1; ABI/INFORM Global pg. 5.

SKPL SPESIFIKASI KEBUTUHAN PERANGKAT LUNAK

APLIKASI CLUSTERING DOKUMEN TEKS DENGAN MENGGUNAKAN METODE K-MEANS CLUSTERING DAN PEMBOBOTAN TF-IDF (ClustKT)

Dipersiapkan oleh: Deddy Wijaya Suliantoro / 105301466

Program Studi Magister Teknik Informatika Program Pasca Sarjana Universitas Atma Jaya Yogyakarta

Nomor Dokumen

Halaman

SKPL - ClustKT

1/19

Program Studi Magister Teknik Informatika Program Pasca Sarjana

Program Studi Magister Teknik Informatika UAJY

SKPL-ClustKT

1/19

Dokumen ini dan informasi yang dimilikinya adalah milik Program Studi Magister Teknik Informatika-UAJY dan bersifat rahasia. Dilarang untuk me-reproduksi dokumen ini tanpa diketahui oleh Program Studi Magister Teknik Informatika

DAFTAR PERUBAHAN

Revisi

Deskripsi

A B C D E F

INDEX TGL

-

A

B

C

D

E

F

G

Ditulis oleh Diperiksa oleh Disetujui oleh


SKPL-ClustKT

2/19


DAFTAR HALAMAN PERUBAHAN

Halaman

Revisi

Halaman


SKPL-ClustKT

Revisi

3/19


DAFTAR ISI 1. Pendahuluan ....................................................... 6 1.1

Tujuan ......................................................... 6

1.2

Lingkup Masalah ................................................ 6

1.3

Definisi dan Akronim ........................................... 6

1.4

Deskripsi Umum ................................................. 7

2. Deskripsi Kebutuhan ............................................... 8 2.1

Perspektif Produk .............................................. 8

2.1.1

Antarmuka Pemakai...................................................................................................... 8

2.1.2

Antarmuka Perangkat Keras .................................................................................. 8

2.1.3

Antarmuka Perangkat Lunak .................................................................................. 8

2.2

Fungsi Produk .................................................. 9

2.3

Karakteristik Pengguna ........................................ 10

2.4

Batasan – batasan ............................................. 10

2.5

Asumsi dan Ketergantungan ..................................... 10

3. Kebutuhan Fungsionalitas Perangkat Lunak ......................... 10 3.1

Use Case Diagram .............................................. 11

3.2

Use Case Spesification ........................................ 11

3.2.1

Use Case Specification : Kelola Stopwords .......................................... 11

3.2.2

Use Case Spesification : Kelola Korpus ................................................. 12

3.2.3

Use Case Spesification : Melihat Isi Dokumen ................................... 14

3.2.4

Use Case Spesification : Pembangunan Indeks Dokumen .................. 15

3.2.5

Use Case Spesification : Clustering......................................................... 15

4. Analisa Kebutuhan Data ........................................... 17 4.1

ERD (Entitiy Relationship Diagram) ............................ 17

4.2

Data Definition ............................................... 17

4.2.1

Data doc ......................................................................................................................... 17

4.2.2

Data lexicon................................................................................................................ 18

4.2.3

Data stop ....................................................................................................................... 18

4.2.4

Data token_doc ........................................................................................................... 18

4.2.5

Data token_cluster ................................................................................................. 19


SKPL-ClustKT

4/19


DAFTAR GAMBAR

Gambar 1 Use Case Diagram ................................ 11 Gambar 2 Entity Relationship Diagram ..................... 17


SKPL-ClustKT

5/19


1. Pendahuluan 1.1 Tujuan Tujuan dari dokumen spesifikasi kebutuhan perangkat lunak ini

merupakan

dokumen

spesifikasi

kebutuhan

perangkat

lunak

ClustKT (Aplikasi clustering dokumen teks dengan menggunakan metode

k-Means

kebutuhan

dan

perangkat

pembobotan

TF-IDF)

lunak

meliputi

yang

untuk

mendefinisikan

antarmuka

eksternal

(antarmuka antara sistem dengan perangkat lunak dan perangkat keras, dan pengguna), performansi (kemampuan perangkat lunak dari segi kecepatan, tempat penyimpanan yang dibutuhkan, serta keakuratan), dan atribut tambahan yang dimiliki sistem, serta mendefinisikan

fungsi

mendefinisikan karakteristik

perangkat

batasan program,

lunak.

SKPL-SIGJ

perancangan serta

asumsi

ini

perangkat dan

juga lunak,

ketergantungan

perangkat lunak ini.

1.2 Lingkup Masalah Perangkat lunak ClustKT dikembangkan dengan tujuan untuk : 1. Menangani pengelolaan data korpus 2. Menangani pengelolaan data stopwords 3. Menangani proses clustering dokumen teks

1.3 Definisi dan Akronim Daftar definisi akronim dan singkatan : Keyword/Phrase SKPL

Definisi Dokumen

SKPL

ini

berisi

spesifikasi kebutuhan dari

tentang

pengembangan

perangkat lunak. ClustKT

Sistem

Clustering

Menggunakan

Metode


Dokumen k-Means

SKPL-ClustKT

Teks dan

6/19


pembobotan TF-IDF Clustering

Proses

pengelompokan

data

ke

dalam

beberapa cluster (kelompok) tertentu. korpus

Data

dokumen

database

teks

sistem

yang

yang

berada

dalam

digunakan

untuk

melakukan proses clustering stopwords

Daftar

kata-kata

diikutkan

dalam

(token)

yang

perhitungan

di

tidak proses

clustering

1.4 Deskripsi Umum Secara umum dokumen SKPL ini terbagi 4 bagian utama. Bagian pertama berisi penjelasan mengenai dokumen SKPL tersebut yang mencakup

tujuan

pengembangan

pembuatan

perangkat

SKPL, lunak,

ruang

lingkup

definisi,

masalah

referensi,

dalam dan

deskripsi umum tentang dokumen SKPL ini. Bagian kedua berisi penjelasan umum tentang perangkat lunak ClustKT yang akan dikembangkan mencakup perspektif produk yang, fungsi produk perangkat lunak, karakterisitik pengguna, batasan dalam penggunaan perangkat lunak dan asumsi yang terpakai dalam pengembangan perangat lunak ClustKT. Bagian ketiga berisi penjelasan secara lebih rinci tentang kebutuhan perangkat lunak ClustKT yang akan dikembangkan. Pada bagian terakhir atau bagian keempat berisi tentang spesifikasi kebutuhan data.


SKPL-ClustKT

7/19


2. Deskripsi Kebutuhan 2.1 Perspektif Produk ClustKT melakukan

merupakan proses

perangkat

pengelompokan

lunak

yang

digunakan

dokumen-dokumen

teks

untuk yang

tergabung dalam korpus ke dalam sejumlah cluster yang sudah ditentukan terlebih dahulu. Perangkat lunak ClustKT berjalan pada platform Windows yang memiliki .NET Framework versi 3.5 ke atas. Bahasa pemrograman yang digunakan dalam pembangunan ClustKT adalah Visual Basic .NET dengan menggunakan tools Visual Studio 2008. Pengguna akan berinteraksi dengan sistem melalui antarmuka GUI (Graphical User Interface). 2.1.1 Antarmuka Pemakai Pengguna ditampilkan

berinteraksi dalam

bentuk

dengan

antarmuka

form-form

yang

yang

merupakan

aplikasi desktop.

2.1.2 Antarmuka Perangkat Keras Piranti

perangkat

keras

yang

dibutuhkan

oleh

perangkat lunak ClustKT adalah sebagai berikut: 1. PC (Personal Computer) 2. Mouse 3. Keyboard

2.1.3 Antarmuka Perangkat Lunak Perangkat lunak yang dibutuhkan dalam mengoperasikan perangkat lunak ClustKT adalah: 1. Sistem Operasi Windows sebagai sistem operasi komputer 2. .NET Framework 4.0 sebagai pustaka pemrograman yang dibutuhkan dalam menjalankan perangkat lunak ClustKT


SKPL-ClustKT

8/19


3. Microsoft SQL Server 2005 sebagai DBMS dari perangkat lunak ClustKT.

2.2 Fungsi Produk Fungsi

produk

perangkat

lunak

ClustKT

dibagi

menjadi

3

bagian besar: 1. Fungsi kelola stopwords (SKPL-ClustKT-01) Merupakan fungsi yang digunakan untuk mengelola katakata dalam stopwords. a. Fungsi penambahan kata dalam stopwords (SKPL-ClustKT01-01) Merupakan fungsi untuk menambah kata-kata ke dalam daftar stopwords. b. Fungsi

penghapusan

kata

dalam

stopwords

(SKPL-

ClustKT-01-02) Merupakan fungsi untuk menghapus kata tertentu dalam daftar stopwords. 2. Fungsi kelola korpus (SKPL-ClustKT-02) Merupakan fungsi yang digunakan dalam mengelola dokumendokumen dalam korpus. a. Fungsi penambahan dokumen (SKPL-ClustKT-02-01) Fungsi

ini

digunakan

dalam

menambahkan

dokumen

ke

dalam korpus. b. Fungsi penghapusan dokumen (SKPL-ClustKT-02-02) Fungsi ini digunakan dalam menghapus dokumen tertentu maupun semua dokumen dari dalam korpus. c. Fungsi pengecekan path dokumen (SKPL-ClustKT-02-03) Fungsi

ini

digunakan

dalam

mengecek

path

yang

tercatat apakah masih valid atau tidak. 3. Fungsi melihat isi dokumen (SKPL-ClustKT-03) Fungsi ini digunakan untuk melihat isi dokumen teks pada path tertentu. Program Studi Magister Teknik Informatika UAJY

SKPL-ClustKT

9/19


4. Fungsi pembangunan indeks dokumen (SKPL-ClustKT-04) Fungsi ini digunakan untuk membangun indeks dokumen dan melakukan perhitungan pembobotan TF-IDF. 5. Fungsi clustering dokumen (SKPL-ClustKT-05) Merupakan fungsi yang digunakan untuk melakukan proses clustering terhadap dokumen-dokumen dalam korpus.

2.3 Karakteristik Pengguna Karakteristik

pengguna

yang

menggunakan

perangkat

lunak

ClustKT yang dibangun yaitu : a. Mampu

mengoperasikan

komputer

pada

level

dasar

(Menyalakan, mematikan, menggunakan aplikasi) b. Memahami sistem komputer windows c. Memahami konsep clustering d. Mengerti proses pengelolaan data

2.4 Batasan – batasan Batasan yang ditetapkan dalam pengembangan perangkat lunak ClustKT ini adalah: a. Tujuan

perangkat

lunak

ClustKT

ini

adalah

sebagai

instrumen penelitian untuk meneliti akurasi metode kMeans

yang

dipadukan

dengan

pembobotan

TF-IDF

dan

membantu user dalam proses clustering dokumen teks b. Keterbatasan

perangkat

keras

akan

ditentukan

kemudian

setelah aplikasi ini berjalan (sesuai dengan kebutuhan)

2.5 Asumsi dan Ketergantungan Sistem

ini

dapat

dijalankan

ada

perangkat

desktop

yang

menggunakan sistem operasi versi windows XP atau Vista atau Seven

yang

dilengkapi

dengan

.NET

Framework

3.5

atau

lebih

tinggi. Program Studi Magister Teknik Informatika UAJY

SKPL-ClustKT

10/19


3. Kebutuhan Fungsionalitas Perangkat Lunak 3.1 Use Case Diagram

clustering dokumen <>

pembangunan indeks dokumen

user melihat isi dokumen

kelola korpus

kelola stopwords

Gambar 1 Use Case Diagram

3.2 Use Case Spesification 3.2.1 Use Case Specification : Kelola Stopwords Brief Description Primary Actor Supporting Actor Basic Flow

Use case ini digunakan oleh aktor untuk melakukan pengelolaan kata-kata dalam stopwords list. User 1. Use case ini dimulai ketika aktor memilih untuk mengelola data stopwords. 2. Sistem memberikan pilihan untuk menambah kata atau menghapus kata. 3. Aktor memilih untuk menambah kata ke dalam stopwords list A-1 Aktor memilih untuk menghapus kata dari stopwords list.


SKPL-ClustKT

11/19


Alternative Flow

Error Flow

Pre-Conditions Post-Conditions

4. Aktor menginputkan kata baru mengecek kata yang telah 5. Sistem diinputkan. E-1 Kata yang diinputkan sudah ada E-2 Kata yang diinputkan mengandung spasi 6. Sistem menyimpan kata baru ke dalam database. 7. Use case selesai A-1 Aktor memilih untuk menghapus kata dari stopwords list. 1. Aktor memilih kata yang ingin dihapus dan menekan tombol hapus. E-3 Aktor belum memilih kata dan menekan tombol hapus. 2. Sistem menghapus kata dari database dan memberi informasi ke aktor. 3. Berlanjut ke Basic Flow langkah 7 E-1 Kata yang diinputkan sudah ada 1. Sistem memberi peringatan bahwa kata ada dalam yang dimasukkan sudah stopwords list. 2. Kembali ke Basic Flow langkah yang ke-3 E-2 Kata yang diinputkan mengandung spasi 1. Sistem memberi peringatan bahwa kata yang dimasukkan mengandung spasi. 2. Kembali ke Basic Flow langkah yang ke-3 E-3 Aktor belum memilih kata dan menekan tombol hapus. 1. Sistem memberi peringatan bahwa Aktor belum memilih kata yang mau dihapus. 2. Kembali ke Basic Flow langkah yang ke-3 Data kata dalam stopwords list bertambah atau berkurang.

3.2.2 Use Case Spesification : Kelola Korpus Brief Description Primary Actor Supporting Actor Basic Flow

Use case ini digunakan oleh aktor untuk melakukan pengelolaan dokumen dalam korpus User 1. Use case ini dimulai ketika aktor memilih untuk mengelola data korpus. 2. Aktor memilih untuk menambah dokumen ke dalam korpus


SKPL-ClustKT

12/19


Alternative Flow

A-1 Aktor memilih untuk menghapus dokumen tertentu dari korpus A-2 Aktor memilih untuk menghapus seluruh dokumen dari korpus. Aktor memilih untuk mengecek A-3 validitas tiap dokumen dalam korpus. 3. Sistem membuka form input dokumen baru dokumen yang ingin 4. Aktor memilih ditambahkan ke dalam list yang disediakan sistem. 5. Aktor menyetujui memasukkan dokumen dalam list ke korpus Aktor membatalkan proses input A-4 dokumen. 6. Sistem mengecek dokumen-dokumen yang telah diinputkan. Dokumen yang diinputkan sudah E-1 terdaftar dalam database 7. Sistem menyimpan dokumen baru ke dalam database. 8. Use case selesai A-1 Aktor memilih untuk menghapus dokumen tertentu dari korpus 1. Aktor memilih dokumen yang ingin dihapus dan menekan tombol hapus. E-2 Aktor belum memilih dokumen dan menekan tombol hapus. 2. Sistem menghapus dokumen dari database dan memberi informasi ke aktor. 3. Berlanjut ke Basic Flow langkah 8 A-2 Aktor memilih untuk menghapus seluruh dokumen dari korpus. 1. Aktor memilih untuk menghapus semua dokumen dalam korpus 2. Sistem menghapus semua dokumen dari database dan memberi informasi ke aktor. 3. Berlanjut ke Basic Flow langkah 8 A-3 Aktor memilih untuk mengecek validitas tiap dokumen dalam korpus. 1. Aktor memilih untuk mengecek validitas tiap dokumen dalam korpus 2. Sistem mengecek validitas masing-masing dokumen dan jika ada yang tidak valid, sistem akan memberi informasi ke aktor


SKPL-ClustKT

13/19


Error Flow


dan kemudian menghapus dokumen tersebut. 3. Berlanjut ke Basic Flow langkah 8 E-1 Dokumen yang diinputkan sudah terdaftar dalam database 1. Sistem memberi peringatan bahwa ada dokumen yang dimasukkan sudah ada dalam korpus. 2. Kembali ke Basic Flow langkah yang ke-2 E-2 Aktor belum memilih dokumen dan menekan tombol hapus 1. Sistem memberi peringatan bahwa Aktor belum memilih dokumen yang mau dihapus. 2. Kembali ke Basic Flow langkah yang ke-3 Data dokumen dalam korpus bertambah atau berkurang.

3.2.3 Use Case Spesification : Melihat Isi Dokumen Brief Description Primary Actor Supporting Actor Basic Flow

Alternative Flow

Use case ini digunakan oleh aktor untuk melihat isi dokumen dari path tertentu. User 1. Use case ini dimulai ketika aktor membuka aplikasi. A-1 Use case dimulai setelah Use case clustering selesai 2. Aktor memilih melakukan double-click terhadap salah satu dokumen dalam daftar dokumen. 3. Sistem membuka form untuk membuka isi dokumen 4. Aktor menutup form isi dokumen A-2 Aktor memilih dokumen lain dari daftar 5. Use case selesai A-1 Use case dimulai setelah Use case clustering selesai 1. Berlanjut ke Basic Flow langkah 2 A-2 Aktor memilih dokumen lain dari daftar 1. Sistem mengubah isi dari form isi dokumen yang terbuka dengan isi dokumen yang baru dipilih 2. Berlanjut ke Basic Flow langkah 4


SKPL-ClustKT

14/19


Error Flow Pre-Conditions Post-Conditions

Ada dokumen dalam korpus -

3.2.4 Use Case Spesification : Pembangunan Indeks Dokumen Brief Description Primary Actor Supporting Actor Basic Flow

Alternative Flow Error Flow


Use case ini digunakan oleh aktor untuk membangun indeks dari dokumen yang diperlukan dalam use case clustering. User 1. Use case ini dimulai ketika aktor memilih untuk melakukan pengindeksan dokumen 2. Sistem memberi konfirmasi untuk melakukan proses pengindeksan E-1 Belum ada dokumen dalam korpus 3. Sistem melakukan pengindeksan dokumen 4. Sistem memberi informasi bahwa proses pengindeksan selesai. 5. Use case selesai E-1 Belum ada dokumen dalam korpus 1. Sistem menginformasikan bahwa belum ada dokumen dalam korpus 2. Berlanjut ke Basic Flow langkah 5 Ada dokumen dalam korpus indeks dokumen terbangun

3.2.5 Use Case Spesification : Clustering Brief Description Primary Actor Supporting Actor Basic Flow

Use case ini digunakan oleh aktor untuk melakukan clustering dari sejumlah dokumen dalam korpus yang sudah dibangun indeksnya. User 1. Use case ini dimulai ketika aktor memilih untuk melakukan clustering dokumen 2. Sistem menunjukkan form clustering 3. Aktor memasukkan jumlah cluster yang diinginkan dan nilai threshold yang diinginkan. 4. Sistem melakukan proses clustering dokumen E-1 Jumlah dokumen tidak mencukupi untuk dilakukan clustering


SKPL-ClustKT

15/19


Alternative Flow Error Flow


E-2 Nilai cluster dan threshold yang dimasukkan tidak valid E-3 Belum ada indeks dari dokumen. 5. Sistem memberi informasi bahwa proses clustering selesai. 6. Sistem menunjukkan hasil clustering. 7. Use case selesai E-1 Jumlah dokumen tidak mencukupi untuk dilakukan clustering 1. Sistem menginformasikan bahwa jumlah dokumen dalam korpus tidak mencukupi untuk dilakukan proses clustering 2. Berlanjut ke basic flow langkah 3 Nilai cluster dan threshold yang E-2 dimasukkan tidak valid 1. Sistem menginformasikan bahwa nilai threshold atau cluster tidak valid 2. Berlanjut ke basic flow langkah 3 E-3 Belum ada indeks dari dokumen 1. Sistem menginformasikan bahwa belum ada indeks dari dokumen dalam korpus 2. Berlanjut ke basic flow langkah 7 Ada indeks dokumen yang sudah dibangun setiap dokumen dalam korpus terbagi ke sejumlah cluster yang diinputkan


SKPL-ClustKT

16/19


4. Analisa Kebutuhan Data 4.1 ERD (Entitiy Relationship Diagram)

Gambar 2 Entity Relationship Diagram

4.2 Data Definition 4.2.1 Data doc 4.2.1.1 Elemen data id_doc Representasi Untuk id dari dokumen dalam korpus

Domain

Range

Format

Presisi

Struktur data

Numeric

0-9

-

-

integer

4.2.1.2 Elemen data path Representasi Untuk path dari dokumen yang ada dalam korpus

Domain

Text

Range semua karakter kecuali whitespace

Format

Presisi

Struktur data

-

-

varchar (200)

4.2.1.3 Elemen data cluster


SKPL-ClustKT

17/19


Representasi Untuk informasi cluster dari dokumen yang bersangkutan

Domain

Range

Format

Presisi

Struktur data

Numeric

0-9

-

-

integer

4.2.2 Data lexicon 4.2.2.1 Elemen data token Representasi Untuk data token unik yang ada

Domain

Range

Format

Presisi

Struktur data

Text

a-z

-

-

char (15)

4.2.2.2 Elemen data df Representasi Nilai df dari tiap token

Domain

Range

Format

Presisi

Struktur data

Numeric

0-9

-

-

integer

4.2.2.3 Elemen data idf Representasi Nilai idf dari tiap token

Domain

Range

Format

Presisi

Struktur data

Numeric

0-9

-

-

double

4.2.3 Data stop 4.2.3.1 Elemen data word Representasi

Domain

Range

Format

Presisi

Untuk kata dari setiap stopword. (primary key)

Text

a-z

-

-

Struktur data varchar (15)

4.2.4 Data token_doc 4.2.4.1 Elemen data token Representasi

Domain

Range

Format

Presisi

Struktur data

Untuk data token yang ada

Text

a-z

-

-

char (15)

4.2.4.2 Elemen data id_doc Program Studi Magister Teknik Informatika UAJY

SKPL-ClustKT

18/19


Representasi

Domain

Range

Format

Presisi

Struktur data

Untuk id dari dokumen dalam korpus dimana token tersebut muncul

Numeric

0-9

-

-

integer

Representasi

Domain

Range

Format

Presisi

Struktur data

untuk nilai tf dari token dan dokumen tertentu

Numeric

0-9

-

-

integer

4.2.4.3 Elemen data tf

4.2.4.4 Elemen data w Representasi

Domain

Range

Format

Presisi

Struktur data

untuk nilai bobot hubungan dari token dan dokumen tertentu

Numeric

0-9

-

-

double

4.2.5 Data token_cluster 4.2.5.1 Elemen data token Representasi Untuk data token yang ada

Domain

Range

Format

Presisi

Struktur data

Text

a-z

-

-

char (15)

4.2.5.2 Elemen data id_cluster Representasi Untuk id dari cluster dimana token tersebut muncul

Domain

Range

Format

Presisi

Struktur data

Numeric

0-9

-

-

integer

4.2.5.3 Elemen data w Representasi untuk rata-rata nilai bobot hubungan dari token dan dokumen tertentu di cluster tertentu

Domain

Range

Format

Presisi

Struktur data

Numeric

0-9

-

-

double


SKPL-ClustKT

19/19


DPPL DESKRIPSI PERANCANGAN PERANGKAT LUNAK

APLIKASI CLUSTERING DOKUMEN TEKS DENGAN MENGGUNAKAN METODE K-MEANS CLUSTERING DAN PEMBOBOTAN TF-IDF (ClustKT)

Dipersiapkan oleh: Deddy Wijaya Suliantoro / 105301466

Program Studi Magister Teknik Informatika Program Pasca Sarjana Universitas Atma Jaya Yogyakarta

Nomor Dokumen

Halaman

DPPL - ClustKT

1/22

Program Studi Magister Teknik Informatika Program Pasca Sarjana


DPPL-ClustKT

1/22


DAFTAR PERUBAHAN

Revisi

Deskripsi

A B C D E F

INDEX TGL

-

A

B

C

D

E

F

G

Ditulis oleh Diperiksa oleh Disetujui oleh


DPPL-ClustKT

2/22


DAFTAR HALAMAN PERUBAHAN

Halaman

Revisi

Halaman


DPPL-ClustKT

Revisi

3/22


DAFTAR ISI 1. Pendahuluan ............................................... 7 1.1 Tujuan ................................................. 7 1.2 Ruang Lingkup .......................................... 7 1.3 Definisi dan Akronim ................................... 7 2. Perancangan Sistem ........................................ 8 2.1 Perancangan Arsitektur ................................. 8 2.2 Perancangan Rinci ...................................... 8 2.2.1 Sequence Diagram .................................... 8 2.2.1.1 Kelola Stopwords ............................................................................................. 9 2.2.1.1.1 Menambah Kata ke dalam Stopwords ............................................. 9 2.2.1.1.2 Menghapus Kata dari Stopwords ..................................................... 9 2.2.1.2 Kelola Korpus ................................................................................................... 10 2.2.1.2.1 Penambahan Dokumen ................................................................................ 10 2.2.1.2.2 Penghapusan Dokumen Tertentu ...................................................... 11 2.2.1.2.3 Penghapusan Seluruh Dokumen......................................................... 11 2.2.1.2.4 Pengecekan Path Dokumen ................................................................... 12 2.2.1.3 Melihat Isi Dokumen.................................................................................... 12 2.2.1.4 Pembangunan Indeks Dokumen ................................................................. 13 2.2.1.5 Clustering Dokumen ...................................................................................... 14 2.2.2 Class Diagram ...................................... 15 2.2.3 Deskripsi Kelas .................................... 15 2.2.3.1 Spesific Design Class Main_UI ......................................................... 15 2.2.3.2 Spesific Design Class InsertDoc_UI ............................................ 16 2.2.3.3 Spesific Design Class Clusters_UI ............................................... 17 2.2.3.4 Spesific Design Class AddStop_UI .................................................. 17 3. Perancangan Data ......................................... 18 3.1 Dekomposisi Data ...................................... 18 3.1.1 Deskripsi Entitas doc .............................. 18 3.1.2 Deskripsi Entitas lexicon .......................... 18 3.1.3 Deskripsi Entitas stop ............................. 18


DPPL-ClustKT

4/22


3.1.4 Deskripsi Entitas token_doc ........................ 18 3.1.5 Deskripsi Entitas token_cluster .................... 18 3.2 Physical Data Model ................................... 19 4. Perancangan Antarmuka .................................... 20 4.1 Form Main ............................................. 20 4.2 Form InsertDoc ........................................ 20 4.3 Form Clusters ......................................... 21 4.4 Form ShowDoc .......................................... 22


DPPL-ClustKT

5/22


DAFTAR GAMBAR Gambar 1 Perancangan Arsitektur .................................... 8 Gambar 2 Sequence Diagram : Penambahan stopwords ................... 9 Gambar 3 Sequence Diagram : Menghapus kata dari daftar stopwords ... 9 Gambar 4 Sequence Diagram : Penambahan Dokumen .................... 10 Gambar 5 Sequence Diagram : Penghapusan Dokumen Tertentu .......... 11 Gambar 6 Sequence Diagram : Penghapusan Seluruh Dokumen ........... 11 Gambar 7 Sequence Diagram : Pengecekan Path Dokumen ............... 12 Gambar 8 Sequence Diagram : Melihat Isi Dokumen ................... 12 Gambar 9 Sequence Diagram : Pembangunan Indeks Dokumen ............ 13 Gambar 10 Sequence Diagram : Clsutering Dokumen ................... 14 Gambar 11 Class Diagram ........................................... 15 Gambar 12 Physical Data Model ..................................... 19 Gambar 13 Rancangan form Main ..................................... 20 Gambar 14 Rancangan Form InsertDoc ................................ 21 Gambar 15 Rancangan Form Clusters ................................. 21


DPPL-ClustKT

6/22


1. Pendahuluan 1.1 Tujuan Dokumen bertujuan

Deskripsi

untuk

Perancangan

mendefinisikan

Perangkat

perancangan

Lunak

perangkat

(DPPL) lunak

ClustKT yang akan dikembangkan. Dokumen DPPL tersebut digunakan oleh

pengembang

perangkat

lunak

sebagai

acuan

untuk

implementasi pada tahap selanjutnya.

1.2 Ruang Lingkup Perangkat lunak ClustKT dikembangkan dengan tujuan untuk : 1. Menangani pengelolaan data korpus 2. Menangani pengelolaan data stopwords 3. Menangani proses clustering dokumen teks

1.3 Definisi dan Akronim Daftar definisi akronim dan singkatan : Keyword/Phrase DPPL

Definisi Deskripsi Perancangan Perangkat Lunak disebut juga Software Design Description (SDD) merupakan deskripsi dari perancangan perangkat lunak yang akan dikembangkan. Dokumen

ini

merupakan

lanjutan

dari SKPL. ClustKT

Sistem

Clustering

Menggunakan

Metode

Dokumen k-Means

Teks dan

pembobotan TF-IDF Clustering

Proses

pengelompokan

data

ke

dalam beberapa cluster (kelompok)


DPPL-ClustKT

7/22


tertentu. korpus

Data

dokumen

dalam

teks

database

yang

berada

sistem

yang

digunakan untuk melakukan proses clustering stopwords

Daftar

kata-kata

(token)

yang

tidak diikutkan dalam perhitungan di proses clustering

2. Perancangan Sistem 2.1 Perancangan Arsitektur

Gambar 1 Perancangan Arsitektur

2.2 Perancangan Rinci 2.2.1

Sequence Diagram


DPPL-ClustKT

8/22


2.2.1.1 Kelola Stopwords 2.2.1.1.1

Menambah Kata ke dalam Stopwords

Gambar 2 Sequence Diagram : Penambahan stopwords

2.2.1.1.2

Menghapus Kata dari Stopwords

Gambar 3 Sequence Diagram : Menghapus kata dari daftar stopwords


DPPL-ClustKT

9/22


2.2.1.2 Kelola Korpus 2.2.1.2.1

Penambahan Dokumen

Gambar 4 Sequence Diagram : Penambahan Dokumen


DPPL-ClustKT

10/22


2.2.1.2.2

Penghapusan Dokumen Tertentu

User

DB_Doc

Main_UI TampilMainForm

pilihDokumen

btnRemDoc_Click() hapusDokumen konfirmasi konfirmasi

Gambar 5 Sequence Diagram : Penghapusan Dokumen Tertentu

2.2.1.2.3

Penghapusan Seluruh Dokumen

Gambar 6 Sequence Diagram : Penghapusan Seluruh Dokumen


DPPL-ClustKT

11/22


2.2.1.2.4

Pengecekan Path Dokumen

Gambar 7 Sequence Diagram : Pengecekan Path Dokumen

2.2.1.3 Melihat Isi Dokumen

User

DB_Doc

Main_UI TampilMainForm

pilihDokumen

getDokumen

tampilDokumen

Gambar 8 Sequence Diagram : Melihat Isi Dokumen


DPPL-ClustKT

12/22


2.2.1.4 Pembangunan Indeks Dokumen

Gambar 9 Sequence Diagram : Pembangunan Indeks Dokumen


DPPL-ClustKT

13/22


2.2.1.5 Clustering Dokumen

Gambar 10 Sequence Diagram : Clsutering Dokumen


DPPL-ClustKT

14/22


2.2.2

Class Diagram

Main_UI -listDoc : ListBox -listStop : ListBox -btnAddStop : Button -btnRemStop : Button -btnRemDoc : Button -btnRemDocAll : Button -menuPreProcess : MenuStripItem -menuClusters : MenuStripItem -menuExit : MenuStripItem -txtFilter : TextBox -tok : Tok -doc : Doc +tokenisasi(in doc : String) : StringCollection +refreshs() +btnAddStop_Click() +btnRemStop_Click() +btnRemDoc_Click() +btnRemDocAll_Click() +menuExit_click() +menuPreProcess_Click() +menuClusters_Click() +txtFilter_Changed() +listDoc_DoubleClick() +menuCek_CLick() +menuInsertDoc_Click() InsertDoc_UI -listDoc : ListBox -btnAddDoc : Button -btnRemDoc : Button -btnRemDocAll : Button -btnOK : Button -btnCancel : Button +refreshs() +btnAddDoc_Click() +btnRemDoc_Click() +btnRemDocAll_Click() +btnCancel_Click() +btnOK_Click()

Tok +token : String +df : Double +idf : Double

-End3 -End4 *

1

-End2 -End1

Doc +sc_doc : StringCollection +path : String +id : Integer +isi : String +clust : Integer

*

1

Clusters_UI -listDoc : DataGridView -btnClusters : Button -btnBack : Button -txtCluster : TextBox -txtThreshold : TextBox +btnClusters_Click() +btnBack_Click() +listDoc_CellClick()

AddStop_UI -txtAdd : TextBox +btnOK_Click() +btnCancel_Click()

Gambar 11 Class Diagram

2.2.3

Deskripsi Kelas

2.2.3.1 Spesific Design Class Main_UI Main_UI +tokenisasi(string) : StringCollection Operasi ini digunakan untuk melakukan terhadap sebuah string (isi dokumen). Program Studi Magister Teknik Informatika UAJY

proses

DPPL-ClustKT

tokenisasi

15/22


+refreshs() Operasi ini akan memperbarui daftar dokumen dan daftar kata pada stopwords list setiap kali dijalankan. +btnAddStop_Click() Operasi ini akan membuka sebuah dialogbox untuk memasukkan satu kata baru ke dalam stopwords list. +btnRemStop_Click() Operasi ini akan menghapus kata yang terpilih dari daftar stopwords +btnRemDoc_Click() Operasi ini akan menghapus dokumen yang terpilih dari daftar dokumen dalam korpus. +btnRemDocAll_Click() Operasi ini akan menghapus semua dokumen dalam korpus +menuExit_Click() Operasi ini akan menutup aplikasi +menuPreProcess_Click() Operasi ini akan menjalankan proses pembangunan indeks dokumen dari korpus yang ada. +menuClusters_Click() Operasi ini akan membuka form Clusters untuk melakukan proses clustering +txt_Filter_Changed() Operasi ini akan memfilter daftar stopwords berdasarkan karakter yang tertulis pada txtFilter +listDoc_DoubleClick() Operasi ini akan membuka form yang menampilkan isi dari dokumen yang terpilih dari daftar. +menuCek_Click() Operasi ini akan melakukan pengecekan terhadap semua path dokumen yang ada apakah valid atau tidak.

2.2.3.2 Spesific Design Class InsertDoc_UI InsertDoc_UI +refreshs() Operasi ini akan memperbarui daftar dokumen pada listBox. +btnAddDoc_Click() Operasi ini akan membuka sebuah OpenFileDialog dimana user dapat memilih dokumen dari harddisk +btnRemDoc_Click() Operasi ini akan menghapus dokumen tertentu yang dipilih user +btnRemDocAll_Click()


DPPL-ClustKT

16/22


Operasi ini akan menghapus seluruh dokumen dalam daftar / listBox +btnOK_Click() Operasi ini akan memasukkan semua dokumen dalam daftar ke database, kecuali dokumen yang sudah ada atau yang tidak valid. +btnCancel_Click() Operasi ini akan membatalkan proses input dokumen dan kembali ke menu utama.

2.2.3.3 Spesific Design Class Clusters_UI Clusters_UI +btnClusters_Click() Operasi ini akan memulai proses clustering terhadapa dokumen dalam korpus +btnBack_Click() Operasi ini akan menutup form dan membuka kembali form utama +listDoc_CellClick() Operasi ini akan membuka dokumen tertentu yang dipilih user dari daftar.

2.2.3.4 Spesific Design Class AddStop_UI AddStop_UI +btnOK_Click() Operasi ini akan memasukkan kata baru ke dalam daftar stopwords ke database, kecuali kata sudah ada atau yang tidak valid. +btnCancel_Click() Operasi ini akan membatalkan proses input kata dan kembali ke menu utama.


DPPL-ClustKT

17/22


3. Perancangan Data 3.1 Dekomposisi Data 3.1.1

Deskripsi Entitas doc

Nama id_doc path cluster

3.1.2 Nama token df idf

3.1.3 Nama word

3.1.4

Tipe integer varchar integer

Deskripsi Entitas lexicon Tipe char integer double

Panjang Keterangan 15 token unik, primary key 11 nilai df tiap token 6,4 nilai idf tiap token

Deskripsi Entitas stop Tipe char

Panjang Keterangan 15 token unik, primary key

Deskripsi Entitas token_doc

Nama token id_doc

Tipe char integer

tf

integer

w

double

3.1.5

Panjang Keterangan 11 id dokumen, primary key 200 path dokumen tersimpan 2 letak cluster dari dokumen

Panjang Keterangan 15 token unik, primary key 11 id dokumen, primary key nilai tf tiap token dan 11 dokumen tertentu nilai w tiap token dan 6,4 dokumen tertentu

Deskripsi Entitas token_cluster

Nama token id_cluster

Tipe char integer

w

double

Panjang Keterangan 15 token unik, primary key 11 id cluster, primary key nilai rata-rata w tiap token 6,4 dan cluster tertentu


DPPL-ClustKT

18/22


3.2 Physical Data Model

DATA DOC ID_DOC integer PATH varchar(200) CLUSTER integer ID_DOC = ID_DOC

DATA TOKEN_DOC ID_DOC integer TOKEN char(15) TF integer W double(6,4)

ID_DOC = ID_DOC

DATA TOKEN_CLUSTER ID_DOC integer TOKEN = TOKEN TOKEN char(15) W double(6,4) DATA STOP WORD char(15)

TOKEN = TOKEN DATA LEXICON TOKEN char(15) DF integer IDF double(6,4)

Gambar 12 Physical Data Model


DPPL-ClustKT

19/22


4. Pe erancang gan Anta armuka 4.1 Form F Main n

Gambar G 13 3 Rancang gan form Main

Form F

Mai in

nanti inya

ada alah

For rm

utama

dan

ang ya

pert tama

dijal lankan ke etika aplikasi c clusterin ng ini di ijalankan n. Form ini memua at dua li istbox yang y masi ing-masin ng berisi i daftar korpus dan dafta ar stopwo ords yang g digunak kan oleh aplikasi i. Form F ini juga memiliki menu m untu uk menuju u Form de engan fun ngsi lain

seperti

form

insert tDoc

dan n

form

Cluster rs

sepe erti

m memasukka an

sejum mlah

ditun njukkan oleh o gamb bar 4.

F Inse ertDoc 4.2 Form Form F dokum men

Ins sertDoc ke

dalam

ini

dig gunakan

database e

untuk

sebaga ai

korpu us

dari i

aplika asi.

Perta ama-tama, , user memilih m file txt t yang d dia pili ih ke da alam dafta ar yang tersedia t m, kemudi ian saat user su udah sele esai di form memil lih, maka a form ini i akan ditutup dan kem mbali ke form Ma ain. Program Studi Magister Teknik Inform matika UAJY

DPPL-ClustKT

20/22

Doku umen ini dan in nformasi yang dimilikinya adalah milik Proggram Studi Magister Teknik Informatika-UA AJY

Pada saat ya ang bersa amaan, fi ile-file yang te erdaftar di list tbox akan dimasukk kan ke da atabase.

Gambar r 14 Ranc cangan Fo orm Inser rtDoc

4.3 Form F Clus sters

Gambar r 15 Ranc cangan Fo orm Clusters

Program Studi Magister Teknik Inform matika UAJY

DPPL-ClustKT

21/22

Doku umen ini dan in nformasi yang dimilikinya adalah milik Proggram Studi Magister Teknik Informatika-UA AJY

Gambar

6

menunjukkan

rancangan

antarmuka

untuk

form

Clusters dimana user nantinya harus memasukkan jumlah cluster yang diinginkan dan nilai threshold untuk batasan iterasi. Setelah user menekan tombol “make clusters”, maka sistem akan melakukan proses clustering terhadap dokumen yang ada di dalam

korpus

dan

setelah

selesai

proses,

maka

sistem

akan

menampilkan hasilnya dalam tabel yang disediakan.

4.4 Form ShowDoc Form ini hanya berisi satu RichTextBox yang digunakan untuk menampilkan

isi

ditampilkan

saat

dari user

dokumen memilih

teks

yang

dokumen

terpilih.

tertentu

Form

dari

ini

daftar

korpus.


DPPL-ClustKT

22/22


BAB V KESIMPULAN DAN SARAN

Recommend Documents