Text

Optimasi Penentuan Jumlah Klaster Pada K-Means Dengan Metode Elbow untuk Klasterisasi Tipe Pertanyaan (Studi Kasus: Otomotif)

---

Perkembangan teknologi informasi yang sangat pesat berdampak pada banyaknya
ketersediaan informasi yang dapat dengan mudah diakses oleh siapapun dan di mana pun
tempatnya. Namun, di sela-sela kemudahan tersebut, terkadang masyarakat juga
mengalami kesulitan untuk memperoleh informasi yang sebenarnya mereka butuhkan.
Oleh karena itu, dikembangkan sebuah sistem yang disebut Question Answering System
(QAS), yaitu sebuah sistem yang dapat mengolah pertanyaan yang diberikan oleh
pengguna dan kemudian dapat memberikan hasil atau jawaban berupa informasi yang
diharapkan dapat sesuai dengan apa yang diinginkan oleh pengguna tersebut. Pengolahan
tersebut tak terlepas dari Natural Language Processing (NLP) karena pertanyaan yang
diberikan oleh pengguna merupakan bahasa alami yang harus diolah terlebih dahulu agar
dapat diproses untuk melakukan Temu Balik Informasi (TBI) dan menghasilkan jawaban
berupa informasi yang diinginkan pengguna. Untuk mengoptimasi proses QAS, dapat
dilakukan klasterisasi dari pertanyaan yang diberikan pengguna. Hal tersebut dilakukan
agar proses pencarian informasi dapat dilakukan hanya pada data-data yang berkaitan
dengan pertanyaan tersebut. Proses klasterisasi ini kemudian dapat menentukan pertanyaan
yang diberikan masuk ke dalam klaster mana, dan kemudian dapat dikelompokkan
menurut aturan 5W2H. K-Means Clustering merupakan salah satu algortima yang paling
efisien digunakan dalam proses klasterisasi karena dapat menghasilkan klaster-klaster yang
terbagi dengan baik. Metode Elbow dapat mengoptimasi proses dari K-Means Clustering
dengan menghitung terlebih dahulu nilai Sum of Squared Errors (SSE) dari tiap-tiap nilai
klaster sehingga diperoleh jumlah klaster paling optimal. Hasil dari penelitian ini
menunjukkan bahwa K-Means Clustering yang dioptimasi dengan metode Elbow dapat
menghasilkan klaster-klaster yang sesuai dengan aturan 5W2H dari data pertanyaan seputar
otomotif, dibuktikan pula dengan hasil Confusion Matrix berupa nilai precision 90,85%,
recall 88,67%, dan f1-score 88,75%. Diharapkan hasil dari penelitian ini dapat
dikembangkan kembali untuk membangun sistem QAS dalam dunia otomotif.
Kata Kunci: K-Means Clustering, Metode Elbow, Natural Language Processing,
Otomotif, Question Answering System

---

Ketersediaan

1482F2025

1482 F 2025

Perpustakaan FSM Undip

Tersedia

Informasi Detail

Judul Seri

-

No. Panggil

1482 F 2025

Penerbit

: .,

Deskripsi Fisik

-

Bahasa

Indonesia

ISBN/ISSN

-

Klasifikasi

NONE

Tipe Isi

-

Tipe Media

-

Tipe Pembawa

-

Edisi

-

Subjek

-

Info Detail Spesifik

-

Pernyataan Tanggungjawab

Stanislaus Desvanya Andhika Wahyudiono

Versi lain/terkait

Lampiran Berkas

Komentar

---

Anda harus masuk sebelum memberikan komentar