Data berukuran besar yang sudah disimpan jarang digunakan secara optimal karena manusia seringkali tidak memiliki waktu dan kemampuan yang cukup untuk mengelolanya. Pengelompokan data khususnya data teks yang mempunyai skala besar juga menemui beberapa hambatan, salah satunya adalah diperlukannya waktu komputasi yang besar pula. Penelitian ini bertujuan untuk mengimplementasikan metode Self-Organizing Maps (SOM) dengan menerapkan reduksi dimensi sehingga dapat mengurangi waktu komputasi. Metode ini diterapkan untuk mengelompokan data tugas akhir mahasiswa Teknik Informatika Universitas Trunojoyo Madura. Dalam metode yang diusulkan, analisis morfologi dilakukan pada teks abstrak tugas akhir mahasiswa untuk menghasilkan vektor input dengan unsur term dari tugas akhir tersebut. Adanya elemen vektor yang jarang, memungkinkan terjadinya reduksi dimensi. Reduksi dimensi dilakukan dengan menghilangkan matriks jarang atau kolom yang banyak mengandung nilai 0. Dari percobaan yang dilakukan, diperoleh hasil bahwa optimum cluster untuk data abstrak berada pada scenario 1 dengan jumlah term setelah direduksi sebanyak 150 term sehingga menghasilkan nilai rata-rata SSE = 0.01117. Sedangkan untuk data laporan optimum cluster berada pada scenario 2 dengan jumlah term setelah direduksi sebanyak 346 term sehingga mengahasilkan nilai rata-rata SSE = 0.0085 detik.


Deskripsi Lain

The large data that has stored rarely used optimally. it\'s caused by people that do not have time and capacity enough to manage it. There are many obstacles to clustering large-scale data, especially text data. one of which is the computational time. This study aimed to implement the Efficient Self-Organizing Maps (SOM) by applying dimensionality reduction to reduce computational time. This method is applied to cluster the Informatics Engineering students\' final assignment data of Trunojoyo University. In the proposed method, morphological analysis is applied on the abstract of final assignment to generate input vectors using elements of the final assignment. The existence of a sparse vector elements, allowing the dimensionality reduction. Dimensionality reduction is done by removing the sparse matrix or column that contains the value 0. From the experiments conducted, the result that the best cluster to abstract data is on scenario 1 by the number of terms = 150 words and the average value of SSE = 0.01117. Whereas the best cluster to reports data is on scenario 2 by the number of terms = 346 words and the average value of SSE = 0.0085 seconds. Keywords: clustering, text, self-organizing map

• PENGGUNAAN METODE FUZZY DALAM SISTEM REKOMENDASI PADA APLIKASI MANAJEMEN OBAT
• SISTEM INFORMASI KEPEGAWAIAN MENGGUNAKAN METODE ANALYTICAL HIERARCHY PROCESS (AHP) BERBASIS WEB DI KOPERASI PEGAWAI TELKOM CITRA RAJAWALI PAMEKASAN
• SISTEM INFORMASI KEPEGAWAIAN BERBASIS WEB DI DINAS PENDIDIKAN KABUPATEN SUMENEP
• EKSTRAKSI FITUR PRINCIPAL COMPONENT ANALYSIS (PCA) UNTUK PENGENALAN HURUF ABJAD BAHASA ISYARAT PADA SISTEM ISYARAT BAHASA INDONESIA (SIBI)
• PENGELOMPOKAN LAHAN MENGGUNAKAN METODE HYBRID K-MEANS CLUSTERING DENGAN DAVIES BOULDIN INDEX (DBI)