Penerapan Metode DBSCAN dalam Memperbaiki Kinerja K-Means untuk Penggerombolan Data Tweet.

Abstract

Text Mining merupakan penyarian informasi dari data teks. Konsep penting yang terdapat pada text mining adalah konversi pola data teks menjadi data terstruktur melalui tahapan pra-processing dan vector space model. Penelitian ini berupaya untuk menerapkan metode -Means untuk menggerombolkan data teks. Proses penggerombolan dilakukan tanpa dan dengan memerhatikan amatan yang terindikasi sebagai amatan noise. Pendeteksian amatan terindikasi noise dilakukan dengan metode Density-based Spatial Clustering of Application with Noise (DBSCAN). Metode evaluasi kebaikan penggerombolan menggunakan metode Silhouette Coefficient ( ). Data yang digunakan adalah data Twitter kampanye Pilkada Jawa Barat 2018 sejak 15 sampai dengan 20 Februari 2018 yang diolah secara kumulatif per-hari. Hasil kajian menunjukkan bahwa DBSCAN mampu memperbaiki kinerja -Means dalam penggerombolan berdasarkan nilai yang lebih tinggi daripada -Means tanpa menyisihkan amatan noise.