Pengelompokan Dokumen Berita Bahasa Indonesia dengan Menggunakan Algoritma Partitioning Around Medoids (PAM)

ABSTRAKSI: Saat ini perkembangan dunia teknologi komunikasi dan informasi semakin pesat. Begitu juga dengan jumlah dokumen berita khususnya berita digital yang ada pada media online. Hal ini menyebabkan semakin sulitnya untuk melakukan pencarian terhadap suatu topik berita. Clustering merupakan salah satu metode data mining yang bersifat unsupervised learning untuk mengelompokkan dokumen berdasarkan kemiripannya. Untuk melakukan pengelompokan tersebut, digunakan salah satu algoritma clustering yaitu Partitioning Around Medoid (PAM). Partitioning Around Medoid merupakan suatu algoritma clustering yang berusaha melakukan pengelompokan suatu dataset dengan mencari terlebih dahulu sejumlah titik yang merepresentasikan suatu cluster (medoid). Setelah mendapatkan k medoid dokumen pada dataset dikelompokan kedalam cluster yang memiliki jarak ke medoid terdekat. Adapun metode pendekatan yang digunakan untuk menghitung jarak antar dokumen adalah euclidean distance method.Dalam Skripsi ini kualitas cluster yang dihasilkan diukur dengan dua parameter yaitu cohesion dan separation. Nilai cohesion menunjukan jarak antar objek pada sebuah cluster sedangkan separation adalah jarak antar objek pada cluster yang berbeda.Kata Kunci : partitioning around medoid, medoid, unsupervised learning, euclidean distance method, cohesion, separation.ABSTRACT: Nowadays, development of and information and communication technology (ICT) more rapidly. Either a number of news document, especially digital news documents such as digital media online. It Causes more difficult to search on a topic of text document. Clustering is one of data mining method which is unsupervised learning to classify documents based on distance or simmilarity. One of the clustering method is Partitioning Around Medoid (PAM) algorithm. Partitioning Around Medoid a clustering algorithm trying to group of a dataset by finding a number of cluster center (medoid) that represents object in dataset. After obtaining k medoid, another object of documents grouped into cluster that have a closest medoid. The proximity method to calculate the distance between object uses euclidean distance method.In This final project, the quality of the clusters is measured by two parameters: cohesion and separation. Cohesion indicates the distance between objects in one cluster while the separation is the distance between objects in different clusters.Keyword: partitioning around medoid, medoid, unsupervised learning, euclidean distance method, cohesion, separation