Peningkatan Performa Cluster Fuzzy C-Means pada Klastering Sentimen Menggunakan Particle Swarm Optimization

Fuzzy C-Means (FCM) merupakan algoritma klastering yang sangat baik dan lebih fleksibel dari algoritma klastering konvensional. Selain kelebihan tersebut, kelemahan utama algoritma ini adalah sensitif terhadap pusat klaster. Pusat klaster yang sensitif mengakibatkan hasil akhir sulit di kontrol dan...

Full description

Bibliographic Details
Main Authors:	Rimbun Siringoringo, Jamaluddin Jamaluddin
Format:	Article
Language:	Indonesian
Published:	University of Brawijaya 2019-07-01
Series:	Jurnal Teknologi Informasi dan Ilmu Komputer
Subjects:	fuzzy c-means particle swarm optimization klastering sentimen ulasan produk
Online Access:	http://jtiik.ub.ac.id/index.php/jtiik/article/view/1090

_version_	1818313615723200512
author	Rimbun Siringoringo Jamaluddin Jamaluddin
author_facet	Rimbun Siringoringo Jamaluddin Jamaluddin
author_sort	Rimbun Siringoringo
collection	DOAJ
description	Fuzzy C-Means (FCM) merupakan algoritma klastering yang sangat baik dan lebih fleksibel dari algoritma klastering konvensional. Selain kelebihan tersebut, kelemahan utama algoritma ini adalah sensitif terhadap pusat klaster. Pusat klaster yang sensitif mengakibatkan hasil akhir sulit di kontrol dan FCM mudah terjebak pada optimum lokal. Untuk mengatasi masalah tersebut, penelitian ini memperbaiki kinerja FCM dengan menerapkan Particle Swarm Optimization (PSO) untuk menentukan pusat klaster yang lebih baik. Penelitian ini diterapkan pada klastering sentimen dengan menggunakan data berdimensi tinggi yaitu ulasan produk yang dikumpulkan dari beberapa situs toko online di Indonesia. Hasil penelitian menunjukkan bahwa penerapan PSO pada pembangkitan pusat klaster FCM dapat memperbaiki performa FCM serta memberikan luaran yang lebih sesuai. Performa klastering yang menjadi acuan adalah Rand Index, F-Measure dan Objective Function Value (OFV). Untuk keseluruhan performa tersebut, FCM-PSO memberikan hasil yang lebih baik dari FCM. Nilai OFV yang lebih baik menunjukkan bahwa FCM-PSO tersebut membutuhkan waktu konvergensi yang lebih cepat serta penanganan noise yang lebih baik. Abstract Fuzzy C-Means (FCM) algorithm is one of the popular fuzzy clustering techniques. Compared with the hard clustering algorithm, FCM is more flexible and fair. However, FCM is significantly sensitive to the initial cluster center and easily trapped in a local optimum. To overcome this problem, this study proposes and improved FCM with Particle Swarm Optimization (PSO) algorithm to determine a better cluster center for high dimensional and unstructured sentiment clustering. This study uses product review data collected from several online shopping websites in Indonesia. Initial processing product review data consists of Case Folding, Non Alpha Numeric Removal, Stop Word Removal, and Stemming. PSO is applied for the determination of suite cluster center. Clustering performance criteria are Rand Index, F-Measure and Objective Function Value (OFV). The results showed that FCM-PSO can provide better performance compared to the conventional FCM in terms of Rand Index, F-measure and Objective Function Values (OFV). The better OFV value indicates that FCM-PSO requires faster convergence time and better noise handling.
first_indexed	2024-12-13T08:36:34Z
format	Article
id	doaj.art-da1128a99b74433a8c095cd2e7605376
institution	Directory Open Access Journal
issn	2355-7699 2528-6579
language	Indonesian
last_indexed	2024-12-13T08:36:34Z
publishDate	2019-07-01
publisher	University of Brawijaya
record_format	Article
series	Jurnal Teknologi Informasi dan Ilmu Komputer
spelling	doaj.art-da1128a99b74433a8c095cd2e76053762022-12-21T23:53:38ZindUniversity of BrawijayaJurnal Teknologi Informasi dan Ilmu Komputer2355-76992528-65792019-07-016434935410.25126/jtiik.2019641090418Peningkatan Performa Cluster Fuzzy C-Means pada Klastering Sentimen Menggunakan Particle Swarm OptimizationRimbun Siringoringo0Jamaluddin Jamaluddin1Universitas Methodist IndonesiaUniversitas Methodist IndonesiaFuzzy C-Means (FCM) merupakan algoritma klastering yang sangat baik dan lebih fleksibel dari algoritma klastering konvensional. Selain kelebihan tersebut, kelemahan utama algoritma ini adalah sensitif terhadap pusat klaster. Pusat klaster yang sensitif mengakibatkan hasil akhir sulit di kontrol dan FCM mudah terjebak pada optimum lokal. Untuk mengatasi masalah tersebut, penelitian ini memperbaiki kinerja FCM dengan menerapkan Particle Swarm Optimization (PSO) untuk menentukan pusat klaster yang lebih baik. Penelitian ini diterapkan pada klastering sentimen dengan menggunakan data berdimensi tinggi yaitu ulasan produk yang dikumpulkan dari beberapa situs toko online di Indonesia. Hasil penelitian menunjukkan bahwa penerapan PSO pada pembangkitan pusat klaster FCM dapat memperbaiki performa FCM serta memberikan luaran yang lebih sesuai. Performa klastering yang menjadi acuan adalah Rand Index, F-Measure dan Objective Function Value (OFV). Untuk keseluruhan performa tersebut, FCM-PSO memberikan hasil yang lebih baik dari FCM. Nilai OFV yang lebih baik menunjukkan bahwa FCM-PSO tersebut membutuhkan waktu konvergensi yang lebih cepat serta penanganan noise yang lebih baik. Abstract Fuzzy C-Means (FCM) algorithm is one of the popular fuzzy clustering techniques. Compared with the hard clustering algorithm, FCM is more flexible and fair. However, FCM is significantly sensitive to the initial cluster center and easily trapped in a local optimum. To overcome this problem, this study proposes and improved FCM with Particle Swarm Optimization (PSO) algorithm to determine a better cluster center for high dimensional and unstructured sentiment clustering. This study uses product review data collected from several online shopping websites in Indonesia. Initial processing product review data consists of Case Folding, Non Alpha Numeric Removal, Stop Word Removal, and Stemming. PSO is applied for the determination of suite cluster center. Clustering performance criteria are Rand Index, F-Measure and Objective Function Value (OFV). The results showed that FCM-PSO can provide better performance compared to the conventional FCM in terms of Rand Index, F-measure and Objective Function Values (OFV). The better OFV value indicates that FCM-PSO requires faster convergence time and better noise handling.http://jtiik.ub.ac.id/index.php/jtiik/article/view/1090fuzzy c-meansparticle swarm optimizationklastering sentimenulasan produk
spellingShingle	Rimbun Siringoringo Jamaluddin Jamaluddin Peningkatan Performa Cluster Fuzzy C-Means pada Klastering Sentimen Menggunakan Particle Swarm Optimization Jurnal Teknologi Informasi dan Ilmu Komputer fuzzy c-means particle swarm optimization klastering sentimen ulasan produk
title	Peningkatan Performa Cluster Fuzzy C-Means pada Klastering Sentimen Menggunakan Particle Swarm Optimization
title_full	Peningkatan Performa Cluster Fuzzy C-Means pada Klastering Sentimen Menggunakan Particle Swarm Optimization
title_fullStr	Peningkatan Performa Cluster Fuzzy C-Means pada Klastering Sentimen Menggunakan Particle Swarm Optimization
title_full_unstemmed	Peningkatan Performa Cluster Fuzzy C-Means pada Klastering Sentimen Menggunakan Particle Swarm Optimization
title_short	Peningkatan Performa Cluster Fuzzy C-Means pada Klastering Sentimen Menggunakan Particle Swarm Optimization
title_sort	peningkatan performa cluster fuzzy c means pada klastering sentimen menggunakan particle swarm optimization
topic	fuzzy c-means particle swarm optimization klastering sentimen ulasan produk
url	http://jtiik.ub.ac.id/index.php/jtiik/article/view/1090
work_keys_str_mv	AT rimbunsiringoringo peningkatanperformaclusterfuzzycmeanspadaklasteringsentimenmenggunakanparticleswarmoptimization AT jamaluddinjamaluddin peningkatanperformaclusterfuzzycmeanspadaklasteringsentimenmenggunakanparticleswarmoptimization

Peningkatan Performa Cluster Fuzzy C-Means pada Klastering Sentimen Menggunakan Particle Swarm Optimization

Similar Items