Visualisasi Similaritas Topik Penelitian Dengan Pendekatan Kartografi Menggunakan Self-Organizing MAPS (SOM)

Tanujaya, Budi Pangestu (2017) Visualisasi Similaritas Topik Penelitian Dengan Pendekatan Kartografi Menggunakan Self-Organizing MAPS (SOM). Undergraduate thesis, Institut Teknologi Sepuluh Nopember.

[thumbnail of 5113100064-Undergraduate_Thesis_TA.pdf]
Preview
Text
5113100064-Undergraduate_Thesis_TA.pdf - Published Version

Download (2MB) | Preview

Abstract

Penelitian merupakan salah satu hal yang penting dalam pengembangan bidang keilmuan sehingga dinilai perlu diciptakan sebuah visualisasi Peta Keterkaitan Antar Topik Riset Penelitian, agar mampu memberikan ide dan gambaran bagi calon peneliti dari Indonesia tentang potensi Topik Penelitian yang dapat dikembangkan. Self-organizing Maps merupakan algoritma Neural Network yang dinilai cocok untuk visualisasi Peta dengan pendekatan Kartografi dikarenakan struktur keduanya yang mirip. Teknik Clustering juga digunakan untuk menyederhanakan Peta Jaringan Neuron hasil SOM.
Pada penelitian kali ini, akan digunakan Data Penelitian Tugas Akhir dari Resits.its.ac.id sebagai data input. Pemrosesan Data Mining pada data teks seringkali memiliki kendala dalam kata-kata yang terdapat pada corpus terlalu kotor atau biasa disebut stopwords, dan besarnya dimensi fitur yang didapat dari data teks sangat besar. Maka dari itu, perlu dilakukan preprocessing pada data teks yang digunakan meliputi Stopwords Removal, dan Tokenizing. Setelah melalui preprocessing, dilakukan Ekstraksi Fitur menggunakan Term Frequency – Inverse Document Frequency (TF-IDF). Reduksi fitur menggunakan Principal Component Analysis (PCA) dikenakan guna mereduksi fitur dari Data Input yang dinilai terlalu banyak. Setelah itu, Data Input dilatih dan dipetakan ke dalam 2 dimensi menggunakan metode Unsupervised Learning Self-organizing Maps (SOM). Terakhir, Teknik Clustering Kombinasi K-means dan Hierarchical Clustering dikenakan pada Jaringan Peta SOM guna mengelompokkan neuron-neuron yang terbentuk. Hasil akhir dari penelitian ini ilaha Peta Visualisasi Similaritas Topik Penelitian.
Berdasarkan hasil uji coba, dapat disimpulkan bahwa ekstraksi fitur dan Teknik cluster yang digunakan sudah tepat divalidasi dengan Silhouette Score sebesar 0.5215, dan Cophenet Correlation Coefficient sebsar 0.977. Uji coba diatas menunjukkan bahwa K-means Clustering yang digunakan menghasilkan Cluster yang Cohesive dan Separable ditandai dengan hasil Silhouette Score dan Cophenet Correlation Coefficient yang besar.
========================================================================================================================
Penelitian
merupakan salah satu h
al yang penting dalam
pengembangan bidang
ke
ilmuan
sehingga
dinilai perlu
diciptakan sebuah visualisasi Peta Keterkaitan Antar Topik Riset
Penelitian, agar mampu memberikan ide dan gambaran bagi
calon peneliti dari Indonesi
a tentang potensi Topik Penelitian
yang dapat dikembangkan.
Self
-
organizing Maps merupakan
algoritma Neural Network yang dinilai cocok untuk visualisasi
Peta dengan pendekatan Kartografi dikarenakan struktur
keduanya yang mirip.
Teknik Clustering
juga
digunakan untuk
menyederhanakan Peta Jaringan Neuron hasil SOM.
Pada penelitian kali ini, akan digunakan Data Penelitian
Tugas Akhir dari Resits.its.ac.id sebagai data input.
Pemrosesan
Data Mining pada data teks seringkali memiliki kendala dalam
kata
-
kata
yang terdapat pada corpus terlalu kotor
atau biasa
disebut stopwords
, dan besarnya dimensi fi
t
ur yang didapat dari
data teks sangat besar. Maka dari itu, perlu dilakukan
preprocessing pada data teks yang digunakan
meliputi Stopwords
Removal, dan Tokenizin
g
.
Setelah melalui preprocessing,
dilakukan Ekstraksi Fitur menggunakan Term Frequency

Inverse Document Frequency (TF
-
IDF). Reduksi fitur
menggunakan Principal Component Analysis (PCA) dikenakan
guna mereduksi fitur dari Data Input yang dinilai terlalu
banyak.

Item Type: Thesis (Undergraduate)
Uncontrolled Keywords: Kartografi, SOM, Visualisasi
Subjects: Q Science > QA Mathematics > QA76.87 Neural networks (Computer Science)
T Technology > T Technology (General)
Divisions: Faculty of Information Technology > Informatics Engineering > 55201-(S1) Undergraduate Thesis
Depositing User: Budi Pangestu Tanujaya
Date Deposited: 30 Aug 2017 06:27
Last Modified: 05 Mar 2019 07:03
URI: http://repository.its.ac.id/id/eprint/43158

Actions (login required)

View Item View Item