Enhanced Confix Stripping Stemmer Dan Fuzzy Clustering Pada Data Pelaku Seni Di Malang Raya

Seminar Nasional Sistem Informasi 2019, 19 September 2019 Fakultas Teknologi Informasi – UNMER Malang

ENHANCED CONFIX STRIPPING STEMMER DAN FUZZY CLUSTERING PADA DATA PELAKU SENI DI MALANG RAYA

Bambang Nurdewanto 1) , Elta Sonalitha 2) , Anis Zubair 3) , Salnan Ratih Asriningtias 4)

1) Sistem Informasi, Fakultas Teknik, Universitas Merdeka Malang Email: [email protected] 2) Teknik Elektro, Fakultas Teknologi Informasi, Universitas Merdeka Malang Email: [email protected] 3) Sistem Informasi, Fakultas Teknologi Informasi, Universitas Merdeka Malang Email: [email protected] 4) Teknologi Informasi , Pendidikan Vokasi, Universitas Brawijaya Email: [email protected]

Abstrak Undang-Undang Pemajuan Budaya baru saja dicanangkan dan diberlakukan di Indonesia tahun 2017. Perundang-undangan ini membutuhkan pendataan tentang segala hal yang berkaitan dengan budaya Indonesia, terutama budaya tradisonal warisan leluhur bangsa Indonesia. Pendataan meliputi segala fakta di bidang seni dan budaya. Data tentang seni dan budaya Indonesia sangatlah besar. Maka diperlukan perancangan sistem klasifikasi otomatis yang dapat mengkategorisasikan jenis maupun ragam budaya. Data untuk penelitian ini menggunakan data Pelaku Seni dengan Taksonomi bahwa, satu pelaku seni dapat memainkan beberapa seni tradisional misalkan musik, gerak, tari, dan sastra. Klasifikasi yang ditentukan oleh pemerintah adalah metode Taksonomi. Taksonomi data dapat menggunakan beberapa metode. Penelitian ini menggunakan Enhance Confix Stripping Stemmer untuk menentukan klaster pada proses Fuzzy Clustering . Hasil penggunaan metode enhanced confix stripping mampu mencari kata dasar dari kata berimbuhan dengan tingkat akurasi 91,67% dan Hasil stemming menggunakan metode enhanced confix stripping mampu memberikan hasil cluster yang sangat baik yaitu memiliki rata-rata varian semua cluster (v) sebesar 0.0000291216758415. Kata kunci: Clustering, Enhance Confix Stripping Stemmer, Fuzzy Culstering, Seniman, Seni

Abstract The cultural advancement Law has just been promulgated and implemented in Indonesia in 2017. This law requires the collection of data on all matters relating to Indonesian culture, especially the traditional culture of Indonesian ancestral heritage. The data collection covers all facts in the arts and culture. Data about Indonesian art and culture is huge. Then we need to design an automatic classification system that can categorize the types and diversity of cultures. The data for this research uses the data of Artists with Taxonomy that, one artist can play some traditional arts for example music, motion, dance, and literature. The classification determined by the government is the Taxonomy method. Data taxonomy can use several methods. This research uses Enhance Confix Stripping Stemmer to determine clusters in the Fuzzy Clustering process. The results of using the enhanced confix stripping method are able to find the basic words of the words with an accuracy rate of 91.67% and the results of stemming using the enhanced

confix stripping method are able to provide excellent cluster results that have an average variant of all clusters (v) of 0.0000291216758415. Keyword: Clustering,Cultural, Enhance Confix Stripping Stemmer, Fuzzy Culstering, Heritage

I. PENDAHULUAN Enhanced Confix Stripping Stemmer yaitu Pelaksanaan Undang-undang Pemajuan metode mencari kata dasar dengan Budaya tahun 2017 di Indonesia, membuang imbuhan-imbuhan dalam ejaan membutuhkan langkah-langkah teknis bahasa Indonesia. Kata dasar yang diantaranya adalah Pendataan. Pendataan dihasilkan dari proses ini adalah untuk harus dilakukan oleh semua elemen menentukan klaster dalam Fuzzy Clustering . masyarakat, baik pemerintah maupun Penelitian ini akan menguji keakuratan dari pelaku-pelaku seni. Budaya yang dimaksud Enhanced Confix Stripping Stemmer dalam dalam Undang-undang Pemajuan Budaya menentukan klaster. adalah segala kegiatan, hasil dan produk seni tradisional terutama yang diturunkan oleh II. KAJIAN LITERATUR nenek moyang bangsa Indonesia. Hal ini A. Text Prepocessing dilakukan untuk menjaga warisan budaya Text Processing merupakan sebuah leluhur dari kepunahan. fungsi untuk mengubah data text yang tidak Pendataan salah satunya adalah terstruktur ke dalam bentuk data terstruktur. pendataan pelaku seni tradisional. Beberapa tahap proses text preprocessing Pengolahan data dasar sebagai fakta yang diantaranya sebagai berikut : dapat digunakan sebagai acuan untuk ● Case folding langkah-langkah pemajuan budaya. Data Menghilangkan karakter selain huruf Pelaku Seni merupakan salah satu data dasar dan merubah semua huruf menjadi yang sangat penting digunakan untuk huruf kecil referensi siapa saja pelaku seni dan ● Tokenizing kemahiran seni apa saja yang dipunyai. Memotong kalimat menjadi kata Data seniman ini harus diklasifikasi agar sejumlah kata penyusunannya mudah untuk diidentifikasi keahliannya. ● Filtering Pemerintah Indonesia sudah menentukan Mengambil kata-kata penting dari hasil model klasifikasi untuk pendataan seni dan tokenizing menggunakan teknik stop budaya yaitu menggunakan metode list yaitu membuang kata tidak penting taksonomi. Klasifikasi dalam Pelaku Seni ● Stemming dan keahliannya menggunakan model Mencari kata dasar dari hasil filtering Taksonomi, dikarenakan seorang pelaku seni dengan membuang imbuhan dapat menguasai beberapa bidang seni, B. Term Frequency Inverse Document mungkin seni musik, gerak, dan suara. Frequency (TFIDF) Pelaku Seni akan di rating berdasarkan Dalam pencarian informasi TF-IDF bobot seberapa ahli di bidangnya. bertujuan untuk menentukan nilai atau bobot Taksonomi yang dihasilkan akan pada sebuah kata ( term) berdasarkan tingkat mengambil kata dasar dari kalimat-kalimat kepentingannya dalam dokumen. TF yang diisikan oleh pelaku seni pada merupakan frekuensi kemunculan sebuah instrument yang menggali tentang keahlian term dalam dokumen. IDF merupakan pelaku seni. Dalam penelitian ini, frekuensi kemunculan sebuah term pada Pengambilan kata dasar ini menggunakan keseluruhan dokumen. Semakin sering term

Copyright © SENASIF 2019 ISSN : 2598-0076 2057 Seminar Nasional Sistem Informasi 2019, 19 September 2019 Fakultas Teknologi Informasi – UNMER Malang muncul pada suatu dokumen maka nilai TF dapat bermorfologi adalah “di”, “ke” semakin besar dan nilai IDF semakin kecil. dan “se”. Persamaan untuk menghitung TF-IDF dapat Berdasarkan jenis imbuhan di atas, maka dilihat dalam (1). Pada persamaan (1) D bentuk kata berimbuhan dalam Bahasa merupakan jumlah keseluruhan dokumen Indoenesia dapat dimodelkan sebagai dan DF merupakan jumlah dokumen yang berikut : mengandung term. [DP+[DP+[DP]]]+KataDasar+[[+DS][+PP] D [+P]] (1) TFIDF  TF  IDF  TF  loge Beberapa aturan pada proses stemming DF C. Enhanced Confix Stripping Stemmer menggunakan metode Confix Stripping oleh Confix Stripping Stemmer merupakan Nazief dan Adriani adalah sebagai berikut : sebuah metode untuk prosses stemming ● Tidak semua kombinasi awalan dan pada Bahasa Indonesia yang dibuat oleh akhiran diperbolehkan diantaranya ‘be- Nazief dan Adriani. Metode ini i’,‘di-an’,‘ke-i’,’ke-kan’,‘me-an’, ‘se- dikembangkan berdasarkan aturan i’,’se-kan’, dan ’te-an’ morfologi Bahasa Indonesia yang ● Penggunaan imbuhan yang sama secara mengelompokkan imbuhan menjadi awalan berulang tidak diperkenankan, (prefix ), sisipan ( infix ), akhiran ( suffix ) dan ● Jika suatu kata hanya terdiri dari satu gabungan awalan-akhiran ( confixes ). atau dua huruf tidak diperkenankan Metode ini menggunakan kamus kata dasar ● Penambahan suatu awalan tertentu dan mendukung recoding, yaitu penyusunan dapat mengubah bentuk asli kata dasar kembali kata-kata yang mengalami proses sebagai contoh awalan “me-” dapat stemming berlebih. Aturan morfologi Bahasa berubah menjadi “meng”. Indonesia mengelompokkan beberapa Proses stemming metode Confix Stripping kategori seagai berikut : oleh Nazief dan Adriani adalah sebagai berikut : ● Inflection suffix yaitu kelompok akhiran yang merubah bentuk kata 1. Di awal proses stemming dan setiap dasar. Kelompok ini dibagi menjadi langkah yang selanjutnya melakukan, dua diantaranya particle (P) berupa pengecekan kata di kamus kata dasar. “lah”, “kah”, “tah” dan “pun” dan Jika kata ditemukan maka proses possessive pronoun (PP) atau kata ganti stemming dihentikan, kepunyaan berupa “-ku”,”-mu” dan “- 2. Melakukan pengecekan rule nya”. precedence yaitu larangan kombinasi awalan dan akhiran. Jika kata ● Derivation Suffix (DS) yaitu sekumpulan akhiran asli yang secara mengandung prefix-suffix dari “be- langsung ditambahkan ke pada kata lah”, “be-an”,”me-i”,“di-i”,”pe-i” atau dasar berupa “-i”,”-kan” dan “-an”. “te-1” maka langkah berikutnya adalah (5,3,4,6) selain itu maka langkah ● Derivation Prefixes (DP) yaitu sekumpulan awalan yang langsung berikutnya (3,4,5,6). dapat diberikan pada kata dasar murni 3. Menghilangkan Inflection Particle P atau pada kata dasar yang sudah (“-lah”,”-kah”, “tah”, “-pun“) jika mendapatkan penambahan sampai 2 terdapat dalam kata dan dilanjutkan awalan. Contoh awalan yang dapat dengan menghilangkan possessive bermorfologi adalah “me”,”be”, “te” pronoun PP (“-ku”,”-mu”, ”-nya”) dan “pe”. Contoh awalan yang tidak 4. Menghilangkan Derivation Suffix DS (“-I”, “-kan”, “-an”)

5. Menghilangkan Derivation Prefixes Untuk memperbaiki kesalahan tersebut, DP (“di-”,”ke-”,”se-”,”me-”,”be-”,”pe- maka metode Enhanced Confix Stripping ”,”te-”) dengan maksimum iterasi melakukan perbaikan kesalahan diantaranya sebanyak tiga kali : sebagai berikut : a. Berhenti jika : ● Memodifikasi aturan pada Tabel 3 dan  Jika prefix merupakan bentuk Tabel 4. Perubahan aturan dapat dilihat larangan kombinasi awalan dan pada Tabel 5 dan Tabel 6. akhiran yang sudah dihapus pada ● Menambahkan langkah untuk tahap sebelumnya mengatasi kesalahan pemenggalan  Jika prefix sama persis degan akhiran yang seharusnya tidak prefix yang sudah dihapus pada dilakukan. Tabel 1. Aturan Menghilangkan Prefix “me-“ tahap sebelumnya Aturan Bentuk Kata Pemenggalan  Tiga prefix sudah dihapus 1 me{l|r|w|y}V… me -{l|r|w|y}V… b. Identifikasi jenis prefixed an 2 mem{b|f|v}.. mem -{b|f|v}.. 3 mempe… mem -pe… menghilangkannya. Terdapat dua 4 mem{rV|V}… me -m{rV|V}… jenis prefixes diantaranya : 5 men{c|d|j|z}… men -{c|d|j|z}… 6 menV… me -nV…|me -tV  Plain : prefix yang berupa 7 meng{g|h|q|k} meng{g|h|q|k} “di”,”ke”, dan ”se” yang dapat 8 mengV… meng -V…| meng -kV… 9 menyV… meny -sV… dihilangkan secara langsung 10 mempV… mem -pV… dimana V!=’e’  Complex : prefix yang berupa “me”,”be”,“pe” dan “te” yang Tabel 2. Aturan Menghilangkan Prefix “pe-“ Aturan Bentuk Kata Pemenggalan mungkin merubah kata dasar 1 pe{w|y}V… pe -{w|y}V… dapat menggunakan aturan pada 2 perV… per -V…| pe -rV… Tabel 1,2,3 atau 4. 3 perCAP… per -CAP… dimana C!=’r’ c. Langkah 5 diulangi jika pencarian di 4 perCAerV… per-CAerV… dimana C!=’r’ kamus dasar gagal untuk kata saat 5 pem{b|f| V}… pem -{b|f |V }… ini. 6 pem{rV|V}… pe -m{rV|V}…| pe -p{rV|V}… 7 pen{c|d|j|z}… pen -{c|d|j|z}… 6. Jika semua langkah telas selesai tetapi 8 penV… pen -V…| pe -tV… tidak juga berhasil, maka kata awal 9 peng{g|h|q}… peng -{g|h|q}… 10 pengV… peng -V…| peng -kV… diasumsikan sebagai kata dasar atau 11 penyV… peny -sV… kata dikembalikan seperti semula yaitu 12 pelV… pe-lV kecuali “pelajar” sebelum dilakukan proses stemming menjadi “ajar” 13 peCerV… per-erV… dimana dan proses diakhiri. C!={r|w|y|l|m|n} Algoritma ini masih memiliki kesalahan 14 peCP… pe-CP… dimana C!={r|w|y|l|m|n} dan P!=’er’ diantaranya : 15 peC 1erC 2 pe-C1erC 2 … dimana ● Kurangnya aturan pemenggalan awalan C1!={r|w|y|l|m|n} untuk kata-kata dengan format Tabel 3. Aturan Menghilangkan Prefix “be-“ “mem+p…”,”mem+s…”, dan Aturan Bentuk Kata Pemenggalan “peng+k…” 1 berV… ber -V…|be -rV 2 berCAP… ber-CAP… dimana C!=’r’ ● Kurang relevannya pemenggalan dan P!=’er’ awalan pada kata-kata dengan format 3 berCAerV… ber-CAerV… dimana “menge+kata dasar” dan “penge+kata C!=’r’ 4 belajar bel -ajar dasar” 5 beC 1erC 2… Be-C1erC 2… dimana ● Adanya elemen pada beberapa kata C1!={r|l} Tabel 4. Aturan Menghilangkan Prefix “te-“ dasar yang menyerupai suatu imbuhan. Aturan Bentuk Kata Pemenggalan 1 terV… ter -V…| te -rV… 2 terCerV… ter -CerV…dimana C!=’r’

3 terCP… ter-CP… dimana C!_=’r’ e. Fungsi objektif awal (P 0=0) dan P!=’er’ 4 terC 1erC 2 ter-C1erC 2 … dimana f. Iterasi awal (t=1) C !=’r’ 1 2. Membangkitkan bilangan acak ( ) 0- Tabel 5. Modifikasi Aturan Tabel 1 Aturan Bentuk Kata Pemenggalan 1 (matrik partisi U) sejumlah n x m 5 men{c|d|j|s|z}… men -{c|d|j|s|z}… dimana n adalah jumlah data dan m 8 mengV… meng-V…|meng-kV | (mengV -… jika V=’e’) adalah jumlah klaster 10 mempA mem -pA.. dimana A!=’e’ 3. Menentukan derajat keanggotaan untuk Tabel 6. Modifikasi Aturan Tabel 2 tiap-tiap data dan atribut (matrik partisi Aturan Bentuk Kata Pemenggalan 9 pengC… peng -C… U) 10 pengV… peng-V…| peng-kV… | a. Menghitung jumlah setiap kolom (pengV -… jika V=’e’) Keterangan Simbol Huruf : sesuai persamaan (2) C : huruf konsonan V : huruf Vokal c A : huruf konsonan atau vocal Q   (2) P : partikel atau fragmen dari suatu kata, misanyal “er” i  ik k1 D. Fuzzy Clustering Fuzzy clustering yang merupakan salah b. Menghitung derajat keanggo-taan satu teknik untuk menentukan klaster data tiap-tiap klaster sesuai persamaan yang mana keberadaan tiap-tiap titik data (3) dalam suatu klaster ditentukan oleh derajat ik ik  (3) keanggotaan. Penentuan klaster data di Qi dasarkan pada bentuk Euclidean Distance dimana, untuk mengukur jarak kedekatan antar data. i = data ke-i Konsep dari fuzzy clustering adalah c= jumlah klaster. menentukan pusat klaster terlebih dahulu yang merupakan lokasi rata-rata untuk tiap 4. Menghitung pusat klaster sesuai pusat klaster. Pada kondisi awal nilai pusat persamaan (4) cluster masih belum akurat, maka dilakukan perbaikan secara berulang pada pusat cluster n 2 ik  * xij  dan derajat keanggotan di tiap-tiap titik data i1 (4) Vkj  n sehingga menghasilkan pusat klaster yang  2 i1ik  bergerak ke posisi yang tepat. Perulangan ini dimana, didasarkan pada minimisasi fungsi objektif n = jumlah data, yang menggambarkan jarak dari titik data ke i = data ke-i, pusat cluster yang terbobot oleh derajat k = klaster ke-k, keanggotaan titik data tersebut. Hasil output j = atribut ke-j berupa deretan pusat klaster dan beberapa derajat keanggotaan untuk tiap-tiap data. 5. Menghitung fungsi objektif pada iterasi Algoritma dari fuzzy clustering adalah ke-t, sesuai persamaan (5) sebagai berikut : 1. Menentukan parameter dari fuzzy n c   m   clustering diantaranya : P   x V 2  w  (5) t   ij jk  ik   a. Jumlah cluster (c) i1k  1  j  1   b. Pangkat (w) c. Maximum iterasi ( MaxIter ) dimana, d. Error terkecil yang diharapkan n = jumlah data () c = jumlah klister

m = jumlah atribut, cluster nya. Persamaan untuk menghitung V b Xij = data ke-i atribut ke-j dapat dilihat pada persamaan (9) Vkj = pusat klaster ke k atribut ke j 1 k 2   n d  d  (9) = bobot data ke-i klaster ke-k b k 1i1 i ij w = pangkat Dimana, 6. Menghitung perubahan matrik partisi k = jumlah cluster sesuai persamaan (6) = data ke j pada suatu cluster ke i 1 , 2 ̅ ̅ x  v w1 = rata-rata dari  j1ij kj   (6) Untuk melihat varian semua cluster maka ik  1 c , 2 w1 dapat diukur dengan persamaan (10) xij  vkj   k1  j1  7. Cek kondisi berhenti, jika ( |Pt - P(t-1)|   w (10)  < ) atau I > MaxIter maka berhenti. b Jika tidak maka t=t+1 ulangi langkah Jika nilai V semakin kecil maka nilai cluster ke 4. semakin baik Evaluasi untuk pengujian fuzzy clustering dilakukan dengan menggunakan cluster III. METODE PENELITIAN variance sesuai persamaan (7) Pada penelitian ini, dilakukan proses 1 n 2  2  c d  d (7) klasifikasi pelaku seni berdasarkan data c i1 i i  nc 1 deskripsi pelaku seni yang diperoleh dari Dimana : kuisioner. Terdapat 29 data yang dapat = variance pada cluster c dilihat pada Tabel 7. Tabel 7. Data Pelaku Seni = 1…k, k adalah jumlah cluster No Nama Deskripsi = jumlah data pada cluster c 1 Katijan Dinas Pendidikan Prov. Jawa Timur#1980 Duta Seni Kota Batu#2014 Sapto = data ke i pada suatu cluster Darmo#pelatih#1987 Karawitan Sapto ̅ = rata-rata dari data pada suatu cluster Darmo, Margi Laras Jati, Larasati, SMP Arjuno, Wahyu Budaya Pelatih Duta Seni Kota Batu Aktif sebagai seniman dan Terdapat dua jenis cluster variance yaitu : pelatih di Kota Batu sampai di Jombok, Ngantang, Kab. Malang Wayang  Variance within cluster (V w) Wong;Ketoprak;Ludruk;Campursari Varian ini digunakan untuk melihat hasil Jaranan;Tayub Iringan Jaranan/Bantengan;Karawitan Gagrag variansi penyebaran data yang ada dalam Metaraman;Karawitan Gagrag Surakarta sebuah cluster . Semakin kecil nilai V w maka Pelatih;Niyaga;Pelaku Telaten dalam melatih, semakin bagus cluster nya. Persamaan untuk 2 Mirza 2016 2016 Cempoko Wahyu menghitung V w dapat dilihat pada Baihaqie Budoyo#sekretaris#2017 Rogo wilis#sekretaris#2017 Rogo wilis, persamaan (8). cempoko wahyu budaya APEKSI Kota 1 k Batu Pemuda pegiat seni tradisi 2 Bantengan;Jaranan Kidal  w  ni 1  i (8) N  k i1 Gambuh/Pawang/Dukun Pelaku Gambuh dalam pertunjukan Dimana, 3 Karin Kografer PSP dan FLS2N terbaik #Kota N = jumlah semua data Mirda Batu#2015 Penyaji terbaik FKT#Jawa Yuwana Timur#2011 Duta Tari Kota Batu ke k = jumlah cluster Korea Selatan Duta Tari Kota Batu ke Malaysia Duta seni Indonesia ke Taipei, = jumlah data anggota dalam cluster i Australia, Beijing Sanggar Tari Maheswari  Variance between cluster (V b) Sanggar Taru Maheswari Duta Tari Kota Varian ini digunakan untuk melihat hasil Batu ke Korea Selatan Duta Tari Kota Batu ke Malaysia Duta seni Indonesia ke variansi penyebaran data antar cluster . Taipei, Australia, Beijing Tari Bali;Tari Semakin besar nilai Vb maka semakin bagus Topeng Kedungmonggo;Tari Remo

Surabayan/Gaya Jombangan/Gaya Proses klasifikasi pelaku seni dilakukan Sawunggaling.;Tari Beskalan;Tari tradisi Malangan, Mataraman, kreasi Tata Rias dengan bebarapa tahap diantaranya sebagai Koreografer;Penari;Pelaku Ahli bidang berikut : seni tradisi 4 Alvianitaa Matta fair malaysia # 2016 Festival karya ● Text preprocessing yang meliputi tari 2019 Tidak ada Sanggr tari maheswari proses case folding , tokenizing, , malang dance company Penari Bisa ke luar negeri hanya dari tari Tari Tari filtering dan stemming yang dilakukan Bali;Tari Jaipong;Tari Topeng dengan menggunakan metode Kedungmonggo;Tari Remo Surabayan/Gaya Jombangan/Gaya enhanced confix stripping Sawunggaling.;Tari Gandrung;Tari ● Pembobotan Term yang dilakukan Beskalan Jaranan;Reog;Singo Ulung Baju dan aksesori seni;Tata Rias dengan melakukan pembobotan Pencipta;Pelatih;Koreografer;Tata terhadap term yang merupakan hasil busana;Tata Panggung;Pengrias;Penari;Pelaku Tidak stemming menggunakan TF-IDF punya ● Proses klasifikasi data pelaku seni 5 Yusak sutradara terbaik teater pelajar se-jawa Santoso timur PentasTunggal "Kunjungan Nyonya dengan Fuzzy Clustering yang mana Tua" Tahun 2002 10 Penyaji Terbaik Non data yang diklasifikasi merupakan hasil Peringkat PSP Banyuwangi "Los Bagados De Los Pencos Tahun 2003 5 Penyaji dari pembobotan term. Terbaik Non Peringkat PSP Madiun ● Proses pengujian yang dilakukan "Monumen Keadilan" Tahun 2005 5 Sutradara Terbaik Non Peringkat PSP dengan cara menghitung prosentasi Madiun "Monumen Keadilan" Tahun 2005 kesalahan pencarian kata dasar pada Juara II Festival Teater Cinta Tanah Air tingkat nasional "Semar Gugat Semar proses stemming dan perhitungan Ruwat" Tahun 2007 5 Penyaji Terbaik cluster variance Non Peringkat fragmen Sejarah Se- Jawa Timur "Kudeta Para Brahmana" 2008 Sutradara Drama Tari "Sandya IV. HASIL DAN PEMBAHASAN Nuswantara" Anjungan Jawa timur TMII Tahun 2016 Juara 1 PSP Tingkat Kota Proses stemming dilakukan setelah proses Batu "Srikandi Edian" 2016 Sutradara filtering. Hasil dari proses filtering dapat "Joko Tarub Single Parents" Pentas Bareng Hari Teater Sedunia di Gedung dilihat pada Tabel 8. Kesenian MbatuAJi 2017 Sutradara Drama Tabel 8. Hasil Filtering Tari "Semar Mendem" Duta Seni Kota No Nama Deskripsi Batu Anjungan jawa timur TMII 2018 1 Katijan dinas pendidikan prov jawa timur duta seni Teater Pandu#Pembina#1997 - Sekarang kota batu sapto darmo pelatih karawitan Lembaga Budaya Akur#Sekretaris#2018 - sapto darmo margi laras jati larasati smp Sekarang Teater Pandu Pembina Pantang arjuno wahyu budaya pelatih duta seni Melacurkan diri pada tepuk tangan kota batu aktif seniman pelatih kota batu penonton Teater/Drama jombok ngantang kab malang wayang Musikal/Parodi;Opera;Film atau ketoprak ludruk campursari jaranan tayub Sinetron;Wayang iringan jaranan bantengan karawitan Wong;Ketoprak;Ludruk;Kentrung gagrag metaraman karawitan gagrag Bantengan;Jaranan;Tayub Iringan surakarta pelatih niyaga pelaku telaten Jaranan/Bantengan Sastra melatih Sutradara;Penulis Naskah;Pelatih;Tata 2 Mirza cempoko wahyu budoyo sekretaris rogo Panggung;Pelaku Videography, Baihaqie wilis sekretaris rogo wilis cempoko wahyu Photography, Editor Multimedia budaya apeksi kota batu pemuda pegiat … … … seni tradisi bantengan jaranan kidal 29 Suwandi belum ada pentas dari event ke event gambuh pawang dukun pelaku gambuh turonggo seto anggota sanduk besta mulyo pertunjukan anggota sanduk besta mulyo anggota ikut 3 Karin kografer psp flsn terbaik kota batu penyaji terlibat dalam event festival sanduk kota Mirda terbaik fkt jawa timur duta tari kota batu batu tari sanduk jaranan reog iringan Yuwana korea selatan jaranan bantengan iringan reog karawitan duta tari kota batu malaysia gagrag surakarta penari pelaku duta seni indonesia taipei australia beijing menguasai beberapa seni tradisi lainnya sanggar tari maheswari sanggar taru yang pernah digeluti seperti seni reog dan maheswari duta tari kota batu korea jaranan selatan duta tari kota batu malaysia duta seni indonesia taipei australia beijing tari bali tari topeng kedungmonggo tari remo surabayan gaya jombangan gaya

sawunggaling tari beskalan tari tradisi tradisi bantengan jaranan kidal gambuh malangan mataraman kreasi tata rias pawang dukun laku gambuh pertunjukan koreografer penari pelaku ahli bidang seni 3 Karin kografer psp flsn baik kota batu saji baik tradisi Mirda fkt jawa timur duta tari kota batu korea 4 Alvianitaa matta fair malaysia festival karya tari Yuwana selatan sanggr tari maheswari malang dance duta tari kota batu malaysia company penari negeri tari tari tari bali tari duta seni indonesia taipei australia beijing jaipong tari topeng kedungmonggo tari sanggar tari maheswari sanggar taru remo surabayan gaya jombangan gaya maheswari duta tari kota batu korea sawunggaling tari gandrung tari beskalan selatan jaranan reog singo ulung baju aksesori seni duta tari kota batu malaysia tata rias pencipta pelatih koreografer tata duta seni indonesia taipei australia beijing busana tata panggung pengrias penari tari bal tari topeng kedungmonggo tari pelaku remo surabayan gaya jombangan gaya 5 Yusak sutradara terbaik teater pelajar jawa timur sawunggaling tari tari tradisi malangan Santoso pentastunggal kunjungan nyonya tua mataraman kreasi tata rias koreografer tari penyaji terbaik non peringkat psp laku ahli bidang seni tradisi banyuwangi los bagados de los pencos 4 Alvianitaa matta fair malaysia festival karya tari penyaji terbaik non peringkat psp madiun sanggr tari maheswari malang dance monumen keadilan sutradara terbaik non company tari neger tari tari tari bal tari peringkat psp madiun monumen keadilan jaipong tari topeng kedungmonggo tari juara ii festival teater cinta tanah air remo surabayan gaya jombangan gaya tingkat nasional semar gugat semar ruwat sawunggaling tari gandrung tari jaranan penyaji terbaik non peringkat fragmen reog singo ulung baju aksesori seni tata sejarah jawa timur kudeta brahmana rias cipta latih koreografer tata busana tata sutradara drama tari sandya nuswantara panggung rias tari laku anjungan jawa timur tmii juara psp tingkat 5 Yusak sutradara baik teater ajar jawa timur kota batu srikandi edian sutradara joko Santoso pentastunggal kunjung nyonya tua saji tarub single parents pentas bareng teater baik non peringkat psp banyuwangi los sedunia gedung kesenian mbatuaji bagados de los pencos saji baik non sutradara drama tari semar mendem duta peringkat psp madiun monumen keadilan seni kota batu anjungan jawa timur tmii sutradara baik non peringkat psp madiun teater pandu pembina sekarang monumen keadilan juara ii festival teater lembaga budaya akur sekretaris teater cinta tanah air tingkat nasional mar gugat pandu pembina pantang melacurkan tepuk mar ruwat saji baik non peringkat fragmen tangan penonton teater drama musikal sejarah jawa timur kudeta brahmana parodi opera film sinetron wayang sutradara drama tari sandya nuswantara ketoprak ludruk kentrung bantengan jung jawa timur tmii juara psp tingkat kota jaranan tayub iringan jaranan bantengan batu srikandi edian sutradara joko tarub sastra sutradara penulis naskah pelatih tata single parents pentas bareng teater dunia panggung pelaku videography gedung nian mbatuaji sutradara drama tari photography editor multimedia mar mendem duta seni kota batu jung jawa … … … timur tmii teater pandu bina sekarang 29 Suwandi pentas event event turonggo seto anggota lembaga budaya akur sekretaris teater sanduk besta mulyo anggota sanduk besta pandu bina pantang melacurkan tepuk mulyo anggota terlibat event festival tangan tonton teater drama musikal parodi sanduk kota batu tari sanduk jaranan reog opera film sinetron wayang ketoprak iringan jaranan bantengan iringan reog ludruk kentrung bantengan jaranan tayub karawitan gagrag surakarta penari pelaku iring jaranan bantengan sastra sutradara menguasai seni tradisi digeluti seni reog tulis naskah latih tata panggung laku jaranan videography photography editor Hasil dari proses stemming dapat dilihat multimedia … … … pada Tabel 9. 29 Suwandi pentas event event turonggo seto anggota Tabel 9. Hasil Stemming sanduk besta mulyo anggota sanduk besta No Nama Deskripsi mulyo anggota libat event festival sanduk 1 Katijan dinas didik prov jawa timur duta seni kota kota batu tari sanduk jaranan reog iring batu sapto darmo latih karawitan sapto jaranan bantengan iring reog karawitan darmo margi laras jati larasati smp arjuno gagrag surakarta tari laku seni tradisi seni wahyu budaya latih duta seni kota batu reog jaranan aktif seniman latih kota batu jombok Berdasarkan Tabel 8 dan Tabel 9 Pengujian ngantang kab malang wayang ketoprak ludruk campursari jaranan tayub iring akurasi hasil stemming dapat dilihat pada jaranan bantengan karawitan gagrag Tabel 10. metaraman karawitan gagrag surakarta latih niyaga laku telaten latih 2 Mirza cempoko wahyu budoyo sekretaris rogo Baihaqie wilis sekretaris rogo wilis cempoko wahyu Tabel 10. Pengujian Akurasi Hasil Stemming budaya apeksi kota batu pemuda giat seni

No Nama Jumlah Hasil % dari kata berimbuhan dengan akurat. Hasil Kata Stemming Akurasi Imbuhan Tidak stemming yang digunakan untuk proses Akurat klasifikasi memberikan hasil klasifikasi 1 Katijan 8 0 100 2 Mirza 4 1 75 yang akurat hal ini dapat dilihat pada hasil Baihaqie pengujian yang dilakukan sebanyak lima kali 3 Karin Mirda 5 0 100 Yuwana pada Tabel 11. 4 Alvianitaa 6 0 100 Tabel 10. Pengujian Akurasi Hasil Stemming 5 Yusak Santoso 21 4 80.95 No Vw Vb V 6 Maylian 5 1 80 1 0.814814815 10683.14587 0.0000762710557756 Giofany 2 0.185185185 10683.14587 0.0000173343308580 7 Syamsu S. 19 2 89.47 3 0.185185185 10683.14587 0.0000173343308580 Soeid 4 0.185185185 10683.14587 0.0000173343308580 8 Astika Putri 1 0 100 5 0.185185185 10683.14587 0.0000173343308580 Devi Rata-rata V 0.0000291216758415 9 Theresia 10 3 70 Olivia Berdasarkan Tabel 11. Menunjukkan bahwa Carolina rata-rata nilai varian semua cluster (v) untuk Angga Setyorini lima kali pengujian sangat kecil yaitu 10 Safiudin 16 2 87.5 sebesar 0.0000291216758415 sehingga hasil Tristiandika Saputra cluster menunjukkan sangat baik 11 Safiudin 16 1 93.75 Tristiandika Saputra V. KESIMPULAN DAN SARAN 12 Kiki Devi 7 1 85.71 A. Kesimpulan Novita Yanti 13 Rezza Bagas 10 2 80 Berdasarkan proses pengujian yang Styo Anggoro dilakukan maka dapat ditarik kesimpulan 14 Bagus wigno 8 1 87.5 bahwa : priyanggo 15 Ainun nabila 3 0 100 1. Metode enhanced confix stripping azhar mampu mencari kata dasar dari kata 16 RM Ananda 8 2 75 Iman Akbar berimbuhan dengan tingkat akurasi Zulkarnain 91,67% 17 Kayla niken 5 1 80 pradita 2. Hasil stemming menggunakan metode 18 Mochamad 3 0 100 enhanced confix stripping mampu Haidar Athallah memberikan hasil cluster yang sangat 19 Dimas Al 11 1 90.90 baik yaitu memiliki rata-rata varian Hafid 20 Bagas 2 0 100 semua cluster (v) sebesar Maulana 0.0000291216758415 21 Muhammad 12 1 91.66667 Attar Marzuq B. Saran 22 Aisyah Devka 5 0 100 Perlu menambahkan data pada database Safitri kamus dasar yang lebih lengkap, karena 23 Ramadhan 1 0 100 Arya Ismoyo kegagalan proses pencarian kata dasar dari 24 Warsito 7 0 100 kata berimbuhan disebabkan oleh kamus 25 Suyati 5 0 100 26 Afrian Saputra 14 0 100 dasar yang dimiliki masih kurang lengkap. 27 Agus 10 0 100 Triwahyudi 28 NURHANIEF 11 1 90.90 REFERENSI 29 Suwandi 7 0 100 Asriningtias, Salnan Ratih; Sonalitha, Elta. Rata -rata akurasi 91.67 Aplikasi K-Means Clustering untuk Berdasarkan Tabel 10 diperoleh hasil Pengelompokkan Siswa ke Dalam stemming dengan akurasi 91.67%. Hal ini Kelas Berdasarkan Nilai Akademis, menunjukkan bahwa metode enhanced Jenis Kelamin, Perilaku dan Nama confix stripping mampu mencari kata dasar Siswa di SMA Negeri 1 SRENGAT.

Seminar Nasional Sistem Informasi Classification, IJCTT, 2014, ISSN: (SENASIF). 2018. Vol 1. Issue 1. 2231-28-3, pp 102-107 Halaman 1179-1187 Sonalitha, Elta; Nurdewanto, Bambang; Ratih, Ayeelden H., Hassanien, A.E., Fahmy, A.A., Salnan; Sari, Nadia Roosmalita; Fuzzy Clustering and Categorization Setiawan, Aries Boedi; Tutuko, Pindo. of Text Document, IEEE, 2013, pp Comparative Analysis of Tsukamoto 262-266. and Mamdani Fuzzy Inference System Divya, P., Kumar, G.S.N., Study of Feature on Market Matching to Determine the Selection Method for Text Mining, Number of Exports for MSMEs . 2018 IJARTET, 2015, Vol. 2, Issue 1, pp Electrical Power, Electronics, 11-19. Communications, Controls and Kumar, S., Varma, B., A Different Type of Informatics Seminar (EECCIS). Page Feature Selection Method for Text 440-445. Categorization on Imbalanced Data, Sruthi, S., Shalini, S., Sentence Clustering in IJARCCE, 2016, Vol.5, Issue 9, pp Text Document Using Fuzzy 297-303 Clustering Algorithm, 2014, Langgeni, D.P., Baizal, Z.A., Firdaus, Y., ICCICCT. Clustering Artikel Berita Berbahasa Sruthi, S., Shalini, S., Sentence Clustering in Indonesia Menggunakan Unsupervised Text Document Using Fuzzy Feature Selection, Seminar Nasional Clustering Algorithm, 2014, Informatika UPN Veteran Yogyakarta, ICCICCT. 2010, ISSN : 1979-2328 pp 1-10 Suresh, H., Raj., G., An Unsupervised Fuzzy Liu, T., Liu, S., Chen, Z., An Evaluation on Clustering Method for Twitter Feature Selection for Text Sentiment Analysis, 2016, Clustering, 2003, ICML. Internasional Conference on Purbo, O.W., 2019, Text Mining, Yogyakarta : Computational System and ANDI Information Systems for Sustainable Ramya, M., Pinakas, J.A., Different Type of Solution. Feature Selection for Text