Fuzzy Clustering untuk Text Dimensionality Reduction

Abstract

Digitalisasi membawa pengaruh besar dalam keberlangsungan hidup manusia. Cara manusia mendapatkan informasi berubah, dari yang awalnya mengandalkan media cetak seperti koran dan majalah, kini beralih ke media digital seperti situs web dan aplikasi. Pemrosesan teks atau analisis data teks menjadi semakin penting, memungkinkan kita untuk mengekstrak informasi berharga dari berbagai sumber digital. Namun, data teks perlu dimodelkan sedemikiran rupa sehingga dapat diproses oleh komputer. Pemodelan data teks menjadi vektor dalam ruang berdimensi, memiliki permasalahan yaitu high dimensional dan sparsity. Beberapa teknik reduksi dimensi yang cukup umum antara lain, Principal Component Ana- lysis (PCA), Latent Semantic Analysis (LSA) dan t-Distributed Stochastic Neighbor Embedding (t-SNE). Namun pada penelitian ini dilakukan eksperimen implementasi reduksi dimensi dengan teknik klasterisasi, pendekatan fuzzy clustering (soft clustering). Fuzzy clustering memungkinkan suatu objek menjadi anggota pada lebih dari satu kelompok (klaster) dengan persentase atau derajat keanggotaan yang berbeda pada setiap kelompoknya. Pendekatan ini dapat membantu representasi yang lebih baik dari data teks, karena kata-kata yang terkandung dalam data bisa serupa untuk berbagai topik. Interpretasi dimensi yang awalnya adalah kata unik dalam kumpulan dokumen diubah menjadi derajat keanggotaan pada klaster. Sehingga membuat dataset tidak bersifat sparse dan dimensi nya lebih kecil. Data eksperimen yang digunakan merupakan data ulasan film, program televisi, dan video lainnya. Data ulasan film dari platform online IMDb didapatkan dari Kaggle. Dataset ini merupakan data yang digunakan oleh peneliti-peneliti di program studi dan penelitian kecerdasan buatan (artificial intelligence) di Universitas Stanford, Andrew L. Maas dan kawan-kawan. Berdasarkan eksperimen yang telah dilakukan, diperoleh bahwa reduksi dimensi dengan pendekatan fuzzy clustering berhasil mengurangi jumlah dimensi pada data dan mengatasi permasalahan sparsity. Selain itu dilakukan perbandingan performa model klasifikasi yang dilatih menggunakan data yang direduksi dan tidak direduksi. Hasil eksperimen menunjukan bahwa performa kedua model klasifikasi tidak memiliki perbedaan yang signifikan. Namun, perlu dilakukan penelitian lebih lanjut untuk memastikan hasil yang lebih optimal.