Pengelompokan Dokumen Publikasi Ilmiah Berdasarkan Bidang Kepakaran Menggunakan Algoritma DBSCAN

Abstract

Salah satu cara untuk memvalidasi keahlian para pakar adalah dengan dokumen-dokumen publikasi ilmiah yang dimiliki. Jika kepakaran divalidasi secara manual akan membutuhkan waktu yang tidak singkat. Pengelompokan dokumen publikasi ilmiah menjadi salah satu alternatif untuk memverifikasi keparakan seorang dosen. Penelitian ini bertujuan untuk membangun suatu model yang dapat mengelompokkan dokumen berdasarkan bidang kepakaran. Penelitian ini menggunakan algoritma Latent Dirichlet Allocation (LDA) untuk ekstraksi fitur dan Density-Based Spatial Application with Noise (DBSCAN) yang ditingkatkan dengan menambahkan metode Uniform Manifold Approximation and Projection (UMAP). Hasil penelitian ini berhasil mengelompokkan dokumen dengan nilai koefisien Silhouette sebesar 0,567. Model yang dibangun dievaluasi dengan mencocokkan klaster yang dihasilkan dengan klaim yang diberikan. Hasil yang diperoleh menunjukkan bahwa sebanyak 63,9% hasil pencocokan sesuai dengan klaim kepakaran dosen, 27,6% tidak sesuai dengan klaim kepakaran dosen, dan 8,4% tidak diketahui sesuai atau tidak dengan klaim kepakaran

One way to validate experts' expertise is through their scientific publications. If expertise is validated manually, it will take a long time. Grouping scientific publication documents is one alternative to verify the expertise of a lecturer. This research aims to build a model that can classify documents based on their field of expertise. This research uses Latent Dirichlet Allocation (LDA) algorithm to extract feature and Density-Based Spatial Application with Noise (DBSCAN) which is enhanced by adding Uniform Manifold Approximation and Projection (UMAP) method. The results of this study successfully clustered documents with a silhouette coefficient value of 0,567. The built model was evaluated by matching the resulting clusters with the given claims. The results showed that 63,9% of the matching results were in accordance with the lecturer's expertise claim, 27,6% were not in accordance with the lecturer's expertise claim and 8,4% were unknown whether or not it was in accordance with the expertise claim.