PENGARUH REDUKSI FITUR DENGAN METODE ISOMETRIC FEATURE MAPPING PADA PENGKLASTERAN DOKUMEN BERDIMENSI TINGGI
Daftar Isi:
- Implementasi pengklasteran diantaranya adalah pengelompokkan dokumen dengan mengubah dokumen teks menjadi data numerik. Setiap kata yang berbeda dalam dokumen teks akan menjadi atribut baru pada data numerik, sehingga data memiliki banyak dimensi. Kinerja algoritma pengklasteran konvensional tidak efektif dan efisien dalam menangani data berdimensi tinggi. Oleh karena itu, diperlukan teknik ekstraksi fitur menggunakan Principal Component Analysis (PCA) dan Isometric Feature Mapping (ISOMAP) untuk mengurangi dimensi pada data. Penelitian ini membandingkan teknik esktraksi fitur pada pengklasteran k-Means. Dari penelitian ini, didapatkan hasil rata-rata DBI ISOMAP+k-Means sebesar 15,652 dan PCA+k-Means sebesar 17,650 yang tidak ada perbedaan signifikan, tetapi metode ISOMAP+k-Means lebih efisien dengan rata-rata waktu komputasi pengklasteran 0,014 detik dan waktu komputasi reduksi 1,113 detik. . Kata Kunci: Data Berdimensi Tinggi, Ekstraksi Fitur, Principal Component Analysis, Isometric Feature Mapping, k-Means Clustering.