Identifikasi makna kata Sabar dalam artikel berbahasa Indonesia dengan algoritma K Means Clustering

(1)

i

IDENTIFIKASI MAKNA KATA SABAR DALAM ARTIKEL

BERBAHASA INDONESIA DENGAN ALGORITMA K-MEANS

CLUSTERING

SKRIPSI

Diajukan Untuk Memenuhi Salah Satu Syarat

Memperoleh Gelar Sarjana Komputer

Program Studi Teknik Informatika

Oleh :

Anjar Nugraha Jati

125314062

PROGRAM STUDI TEKNIK INFORMATIKA

FAKULTAS SAINS DAN TEKNOLOGI

UNIVERSITAS SANATA DHARMA

YOGYAKARTA

(2)

ii

THE MEANING OF THE “SABAR” (PATIENCE) WORDS

IDENTIFICATION IN INDONESIA TEXT ARTICLE USING K-MEANS

CLUSTERING ALGORITHM

A Thesis Presented as Partial Fulfillment of the Requirements

To Obtain the

Sarjana Komputer

Degree

in Informatics Engineering Study Program

By :

Anjar Nugraha Jati

125314062

INFORMATICS ENGINEERING STUDY PROGRAM

DEPARTMENT OF INFORMATICS ENGINEERING

FACULTY OF SCIENCE AND TECHNOLOGY

SANATA DHARMA UNIVERSITY

YOGYAKARTA

(3)

(4)

(5)

(6)

vi

HALAMAN PERSEMBAHAN

Karya ini penulis persembahkan kepada :

Tuhan Yesus dan Bunda Maria,

Keluarga,

Sahabat,

Teman-teman Teknik Informatika,

(7)

vii

ABSTRAK

Kesabaran merupakan nilai hidup yang dijunjung tinggi bangsa

Indonesia.Menurut Subandi (2001), kesabaran merupakan ajaran yang dijunjung

oleh kelima agama yang besar di Indonesia (Islam, Kristen, Katholik, Hindu, dan

Budha). Lebih lanjut disebutkan oleh Subandi bahwa dalam Al Qur‟an terdapat 44

ayat yang mengunakan kata

sabar

dan 14 ayat yang menggunakan kata

kesabaran

. Penelusuran dalam Alkitab (Bible) Bahasa Indonesia menunjukan 70

ayat yang menggunakan kata

sabar, kesabaran

, dan kata lain dengan tema

sabar.

Subandi (2001) juga menyebutkan bahwa

kesabaran

merupakan bentuk

pengendalian diri yang sangat penting dalam agama Bidha dan agama Hindu.

Penelitian untuk mengidentifikasi makna kata

sabar

telah dilakukan oleh

Dr. Benedictus Bherman Dwijatmoko, M.A. yang menghasilkan klasifikasi atau

pengelompokan makna kata

sabar

kedalam 6 kategori atau kelompok, yaitu

giliran, kondisi, komunikasi, sifat, pekerjaan, dan urutan tindakan.

Dalam skripsi ini identifikasi makna kata sabar dilakukan dengan

menggunkan algoritma

K-Means Clustering

, yang hasilnya dibandingkan dengan

hasil penelitian terdahulu oleh ahli untuk mendapatkan akurasi dari algoritma

K-Means Clustering

dalam mengkelompokan makna kata sabar. Dalam pengujian

sistem menggunakan K-Means mendapat hasil paling tinggi yaitu 98.14814815%,

dengan data yang digunakan sebanyak 108.

(8)

viii

ABSTRACT

Patience is a „value of life‟ which is upheld by Indonesian. According to

Subandi (2011), patience is a teachings upheld by five major religions in

Indonesia (Moeslem, Christianity, Catholic, Hinduism, and Buddhism).

Furthermore, Subandi said there is 44 verses in Al-Quran using the word patience

and 14 verses using the word patirnce. In the holy bible, there is 70 verses using

the word patience, patient, etc. Subandi also said that patience is an important

„self

-

control‟ in hinduism and buddhism.

A research tu find the true meaning of patience has been done by Dr.

Benedictus Bherman Dwijatmoko, M.A resulting in patience classification in 6

categories, they are turn (giliran), situation (keadaan), communication

(komunikasi), character (sifat), working (pekerjaan), and action sequence (urutan

tindakan).

In this thesis, identification of true meaning of patience is done by

K-Means Clustering algorithm, the results are compared to the old results done by

expert to find an accurate result of K-Means Clustering algorithm. In testing the

system using the K-Means gets highest result that 98.14814815%, with data being

(9)

ix

(10)

x

KATA PENGANTAR

Puji syukur kepada Tuhan Yesus Kristus, atas segala berkat, bimbingan

dan karunia sehingga penulis dapat menyelesaikan Tugas Akhir sebagai salah satu

syarat akademik jurusan teknik informatika Universitas Sanata Dharma

Yogyakarta.

Penelitian ini dapat berjalan baik dari awal hingga akhir karena adanya

bimbingan, doa, ukungan semangat dan motivasi yang diberikan oleh banyak

pihak. Untuk itu, penulis ingin mengucapkan terimakasih kepada :

1.

Tuhan Yesus Kristus yang telah memberkati, membimbing dan

memberikan kekuatan di kehidupan ini setiap hari dalam suka maupun

duka.

2.

Bunda Maria yang selalu mendengarkan keluh kesah penulis dalam

menjalani kehidupan.

3.

Keluarga, Bapak Heri Santosa Francisco, Ibu Bibiana Titis Budi Asri,

Agustina Ratna Utami, dan Tulus Sigit Nugraha yang telah mendoakan,

mendukung dan memberi semangat kepada penulis selama proses

perkuliahan dan penyelesaian skripsi.

4.

Sri Hartati Wijono, S.Si., M.Kom. selaku dosen pembimbing tugas akhir,

atas bimbingan, waktu, dan saran yang telah diberikan kepada penulis.

5.

Dr.Benedictus Bherman Dwijatmoko, M.A. selaku dosen pembimbing

tugas akhir, atas bimbingan, waktu, dan saran yang telah diberikan kepada

penulis.

6.

Dr.C.Kuntoro Adi, S.J., M.A., M.Sc. selaku dosen pembimbing akademik,

atas bimbingan, motivasi, kritik, dan saran yang telah diberikan kepada

penulis.

7.

Puspaningtyas Sanjoyo Adi, S.T., M.T. selaku dosen penguji, atas

(11)

xi

8.

Albertus Agung Hadhiatma, S.T., M.T. selaku dosen penguji, atas

bimbingan, kritik, dan saran yang telah diberikan kepada penulis.

9.

Dr. Anastasia Rita Widiarti selaku ketua program studi Teknik

Informatika, atas bimbingan, kritik, dan saran yang telah diberikan kepada

penulis.

10.

Sudi Mungkasi, Ph.D. selaku dekan Fakultas Sains dan Teknologi, atas

bimbingan, kritik dan saran yang telah diberikan kepada penulis.

11.

Teman-

teman “Ikatan Teknik Informatika Liberal” yang selalu memberi

semangat dan hiburan selama proses kuliah di Universitas Sanata Dharma.

12.

Teman-

teman UKF “FST Basketball” yang selalu memberi seman

gat dan

hiburan selama proses kuliah di Universitas Sanata Dharma.

13.

Cindya, Eric, Giri, Jona, Wiga, Gala, Tito, Dona, Cici, Jono, Dingo,

Loona, Choco, Misti atas doa, dukungan, bantuan dan hiburan selama

penulis berproses dalam penyelesaian tugas akhir.

14.

OMK St Alloysius Gonzaga Ngijoreja, yang telah menjadi sahabat dan

memberikan pelajaran berharga dalam memahami hidup dan memuji

memuliakan Tuhan Yesus Kristus.

15.

Semua pihak yang tidak dapat disebutkan satu per satu yang telah

membantu penulis dalam pengerjaan tugas akhir ini.

Penulis menyadari masih banyak kekurangan yang terdapat dalam laporan

tugas akhir ini. Saran dan kritik sangat diharapkan untuk hasil yang lebih baik

dimasa mendatang. Semoga penulisan skripsi ini berguna untuk semua pihak

(12)

xii

DAFTAR ISI

HALAMAN PERSETUJUAN ... iii

HALAMAN PENGESAHAN SKRIPSI ... iv

PERNYATAAN KEASLIAN KARYA ... v

HALAMAN PERSEMBAHAN ... vi

ABSTRAK ... vii

ABSTRACT ...viii

LEMBAR PERNYATAAN PERSETUJUAN PUBLIKASI KARYA ILMIAH UNTUK KEPENTINGAN AKADEMIS ... ix

KATA PENGANTAR ... x

DAFTAR ISI ...xii

1.1 LATAR BELAKANG ... 1

1.2 RUMUSAN MASALAH ... 2

1.3 TUJUAN ... 2

1.4 BATASAN MASALAH ... 3

1.5 METODOLOGI PENELITIAN ... 3

1.6 SISTEMATIKA PENULISAN ... 3

BAB II ... 5

2.1. Ideologi Kesabaran Dalam Karya Sastra ... 5

2.2.Text Mining ... 10

2.3.Text Preprocessing ... 11

2.3.1.Tokenizing ... 11

2.3.2.Stopword Removal/Filtering ... 12

2.3.3.Stemming ... 12

2.3.4.Pembobotan tf-idf ... 16

2.4.Clustering ... 17

2.5.K-Means ... 18

2.6.Variance Initialitation ... 21

2.7.Euclidian Distance ... 22

BAB III ... 23

3.1.Data ... 23

(13)

xiii

3.3.Preprocessing ... 29

3.3.1.Tokenizing ... 29

3.3.2.Stopword ... 33

3.3.3.Stemming ... 36

3.3.4.Pembobotan ... 39

3.5.K-means ... 48

3.4.Spesifikasi Perangkat Keras dan Perangkat Lunak ... 49

BAB IV ... 50

4.1.Implemenasi ... 50

4.1.1.Pengolahan Data ... 50

4.1.2.Preprocessing ... 54

BAB V ... 63

5.1.Kesimpulan ... 63

5.2.Saran ... 63

(14)

xiv

DAFTAR GAMBAR

Gambar 2. 1 Gambar Flowchart Arus Proses K-Means Clustering ... 20

Gambar 3. 1 Gambar proses sistem ... 26

Gambar 4. 1 Gambar Folder Kelompok Dokumen ... 50

Gambar 4. 2 Gambar Data Dokumen Bermakna Keadaan ... 51

Gambar 4. 3 Gambar Data Dokumen Bermakna Komunikasi ... 52

Gambar 4. 4 Gambar Data Dokumen Bermakna Pekerjaan ... 52

Gambar 4. 5 Gambar Data Dokumen Bermakna Sifat ... 52

Gambar 4. 6 Gambar Data Dokumen Bermakna Urutan Tindakan ... 53

Gambar 4. 7 Gambar Data Dokumen Bermakna Urutan Giliran ... 54

Gambar 4. 8 Gambar Hasil Cluster Sistem 1 ...

59

(15)

xv

DAFTAR TABEL

Tabel 2. 1 Tabel Imbuhan Awalan dan Akhiran ... 15

Tabel 2. 2 Tabel Cara menentukan tipe awalan untuk kata yang diawali dengan

"te" ... 15

Tabel 2. 3 Tabel Jenis awalan berdasarkan tipe awalanya ... 16

Tabel 3. 1 Tabel Data Paragraf Mengandung Kata Sabar Dengan Makna Keadaan

... 23

Tabel 3. 2 Tabel Data Paragraf Mengandung Kata Sabar Dengan Makna

Komunikasi ... 24

Tabel 3. 3 Tabel Data Paragraf Mengandung Kata Sabar Dengan Makna

Pekerjaan ... 24

Tabel 3. 4 Tabel Data Paragraf Mengandung Kata Sabar Dengan Makna Sifat ... 25

Tabel 3. 5 Tabel Data Paragraf Mengandung Kata Sabar Dengan Makna Urutan

Tindakan ... 25

Tabel 3. 6 Tabel Data Paragraf Mengandung Kata Sabar Dengan Makna Urutan

Giliran ... 26

Tabel 3. 7 Tabel Tokenizing data dengan paragraph yang mengandung kata sabar

dengan makna keadaan ... 30

dengan makna komunikasi ... 30

dengan makna pekerjaan ... 31

dengan makna sifat ... 31

dengan makna urutan tindakan... 32

dengan makna urutan giliran ... 32

Tabel 3. 13 Tabel Document Frequency ... 43

Tabel 3. 14 Tabel idf ... 44

Tabel 3. 15 Tabel W dengan makna Keasaan ... 45

Tabel 3. 16 Tabel W dengan makna Komunikasi ... 45

Tabel 3. 17 Tabel W dengan makna pekerjaan ... 46

Tabel 3. 18 Tabel W dengan Makna Sifat... 46

Tabel 3. 19 Tabel W dengan makna urutan tindakan ... 47

(16)

1

BAB I

PENDAHULUAN

1.1

LATAR BELAKANG

Informasi merupakan hal yang penting bagi setiap orang.Informasi

dibutuhkan sebagai penunjang untuk pengetahuan sampai pengambilan

keputusan. Kemajuan teknologi, sangat berpengaruh dengan pertambahan

informasi yang tersedia dan kecepatan pemerolehan informasi.Salah satu bentuk

informasi adalah informasi yang berbentuk teks. Dalam skripsi ini akan dibahas

bagaimana mengolah suatu dokumen, untuk memperoleh informasi termasuk

kedalam kategori apakah dokumen tersebut. Dokumen yang digunakan adalah

dokumen suatu karya sastra.

Karya sastra merupakan suatu tulisan atau karya tulis yang mengandung

nilai-nilai tertentu.Karya sastra yang berupa tulisan tentunya terdiri dari

sekumpulan kata-kata. Dan dalam sebuah karya satra ada banyak kata yang selalu

diulang. Dalam suatu kalimat dalam karya sastra terdapat kata yang memiliki

makna yang berbeda-beda meskipun kata tersebut sama. Untuk itu kata-kata

tersebut biasanya dikelompokan berdasarkan maknanya.Kata dalam suatu karya

perlu dikelompokan sesuai dengan makna masing-masing kata yang terdapat

dalam kalimat.

Saat ini pengelompokan kata masih dikelompokan secara manual dengan

membaca suatu tulisan per kalimat satu per satu kata yang kemudian akan

dikelompokan sesuai maknanya. Penghitungan dan pengelompokan secara

(17)

Dari masalah tersebut akan dibangun suatu sistem yang mampu menghitung

dan mengelompokan kata sesuai maknanya. Data kata tertentu dalam sebuah

artikel atau sejenisnya diolah terlebih dahulu. Pengolahan kata atau pengolahan

teks disebut juga

text mining.

Setelah proses pengolahan kata selanjutnya data

kata tersebut dikelompokan atau

clustering

menggunakan algoritma k

-means.

Maka masalah yang pokok yang ingin dijawab pada penelitian ini adalah

seberpa tepat pengelompokan kata berdasarkan makna dengan menggunakan

metode

K-Means Clustering

. Metode

K-Means Clustering

ini memiliki kelebihan

yaitu tepat dalam mengelompokkan kata dibandingkan dengan pengelompokan

secara manual. Pemilihan metode K-means Clustering diharapkan tepat dalam

mengelompokan kata sesuai maknanya, karena sesuai dari keunggulan yang

dimiliki k-means dibandingkan dengan metode lain (Baswade, 2013) yaitu:

1.

Relatif efisien dengan O (knt) dimana k-jumlah

cluster

, n-jumlah objek,

t-jumlah iterasi.

2.

Mudah untuk dijalankan.

3.

Waktu yang dibutuhkan untuk menjalakan pembelajaran ini relatif cepat.

4.

Mudah untuk diadaptasi.

1.2

RUMUSAN MASALAH

Berdasarkan latar belakang yang ada dapat dirumuskan masalah yaitu :

Sejauh mana ketepatan metode K-Means Clustering dalam

pengelompokan paragraf yang mengandung kata sabar dalam suatu karya

sastra sesuai dengan maknanya.

1.3

TUJUAN

1.

Mengimplementasikan

metode

K-Means

Clustering

dalam

mengidentifikasi makna kata sabar pada karya sastra.

2.

Mengetahui

sejauh

mana

metode

K-Means

Clustering

dapat

(18)

1.4

BATASAN MASALAH

1.

Pengelompokan menggunakan informasi teks dengan ekstensi .txt

2.

Memanfaatkan metode

K-Means Clustering

sebagai acuan kinerja sistem.

3.

Pengelompokan ini dibagi menjadi 6 yaitu: sifat, komunikasi, keadaan,

urutan tindakan, pekerjaan, urutan giliran.

1.5

METODOLOGI PENELITIAN

Metodologi yang digunakan dalam penelitian ini adalah studi kasus

dengan langkah-langkah sebagai berikut:

1.

Studi Pustaka

Memberikan pengetahuan tentang hal-hal berkaitan dengan

pengelompokan dokumen.Mempelajari dan memahami buku referensi

yang berkaitan tentang konsep algoritma

K-Means.Clustering

2.

Pengambilan data

Data yang digunakan dari kutipan paragraph dalam karya sastra

yang mengandung kata sabar.

3.

Perancangan Sistem

Pada tahap ini dilakukan perancangan sistem yang akan dibuat.

4.

Implementasi

Pada tahap ini dilakukan pembuatan aplikasi yang digunakan untuk

mempermudah pengelompokan kata berdasarkan maknanyanya.

5.

Pengujian dan Analisa Hasil

Tujuan pada tahap ini adalah untuk mengetahui tingkat keakuratan

algoritma

K-Means

dalam mengelompokan kata sabar sesaui maknanya

dan menganalisa hasil.

1.6

SISTEMATIKA PENULISAN

Sistem penulisan yang dipergunakan dalam penyusunan tugas

akhir ini tersusun dari beberapa bab sehingga mempermudah dan

memperjelas penulisan dan pembahasan.Sistematis dibagi menjadi 5 bab,

(19)

BAB I PENDAHULUAN

Menjelaskan tentang latar belakang penulisan, perumusan masalah,

tujuan penelitian, pembatasan masalah, metode penulisan, dan sistematika

penulisan.

BAB II LANDASAN TEORI

Membahas tentang landasan teori yang dipergunakan dalam

penulisan tugas akhir ini.

BAB IIIMETODOLOGI PENELITIAN

Menguraikan dan membahas gambaran dan perancangan tentang

sistem yang dibuat, yang meliputi analisa sistem dan perancangan sistem.

BAB IV IMPLEMENTASI DAN ANALISA HASIL

Bab ini berisi implementasi dari perancangan yang telah dibuat

sebelumnya serta analisa dari hasil program yang telah dibuat.

BAB V PENUTUP

Bab ini berisi kesimpulan dari penelitian dan saran-saran untuk

(20)

5

BAB II

LANDASAN TEORI

Bab ini membahas tentang teori-teori dan uraian yang berkaitan

dengan identifikasi karya sastra menggunakan

K-Means Clustering.

Berikut adalah teori-teori yang akan dibahas:

2.1.

Ideologi Kesabaran Dalam Karya Sastra

Kesabaran merupakan ideologi yang penting dalam budaya

Indonesia.Dalam karya sastra Indonesia, ideologi kesabaran dapat muncul

secara tersurat dengan penggunaan adjektiva sabar, nomina kesabaran dan

penyabar, dan verba bersabar serta menyabarkan. Dari penelitian korpus

yang dilakukan dengan memakai data yang tersedia dalam www.corci.org,

ditemukan 6 (enam) konsep kesabaran, yaitu penerimaan kondisi yang

harus dihadapi, penantian giliran, penerimaan urutan kegiatan, kesedian

menunggu dalam pembicaraan, sifat sabar, dan ketekunan dalam

melakukan pekerjaan. Keenam konsep kesabaran itu diperlukan untuk

menjaga keseimbangan diri, menjaga hubungan yang harmonis, dan

mencapai hasil yang ingin dicapai.

Kalimat dengan tema sabar menunjukan 6 (enam) makna.Keenam

makna itu adalah penerimaan keadaan, penantian giliran, penerimaan

urutan tindakan, kesediaan menunggu dalam pembicaraan, sifat, dan

ketekunan dalam pekerjaan.

Masing-masing makna kesabaran muncul pada konteks yang

berbeda-beda, yaitu:

a.

Penerimaan Keadaan

Arti penerimaan keadaan muncul atas kesadaran pelaku atau

(21)

jelek. Pelaku atau pembicara karena keadaan itu tidak dapat diubah lagi dan

harus diterima saja atau ditolak.

Contoh:

1.

Pun ketika ingin membentuk sebuah kalimat, bingung aku

menentukan tense-nya. Bahasa Inggrisku tak maju-

maju” “Begini,”

kata Lintang sabar menghadapi ketololanku.ketika itu ia sedang

memaku sandal cunghai-nya yang menganga seperti buaya lapar.

(SJ-6015).

2.

“… Kamu harus mau menuntun gua, Roy!” Dengan sabar dan telaten,

Roy menuntun sobatnya. Kadangkala kalau Toni kecapekan dan

merasa sakit pada lututnya akibat bergesekan dengan kaki palsunya.

Roy tidak bosan-bosan memompa semangatnya. (SJ-6057).

Pada contoh data diatas penerimaan keadaan dilakukan oleh Lintang

dan Roy mempunyai latar belakang yang sama. Pembicara dan Lintang

pada data (1) Toni dan Roy merupakan sahabat.Sebagai sahabat mereka

menerima keadaan sahabat mereka, dan sabar menghadapi keadaan yang

tidak mungkin diubah pada sahabat mereka.

b.

Penantian Giliran

Kesabaran juga muncul pada penantian dari tindakan orang lain.

Pelaku atau pembicara perlu sabar untuk menunggu orang lain selesai

melakukan tindakannya atau menunggu gilirannya.

Contoh:

1.

Penumpang berebut turun. Wajah gadis itu Nampak sabar sekali

menunggu luangnya jalan, Joki memberinya kesempatan untuk lewat.

(SJ-5997).

2.

Rupanya laki-laki itu sudah menggenggam satu-satunya payung di

tangannya. Ia tak sabar menunggu istrinya bepikir.”Jangan, Pak. Aku

saja.” (SJ

-6023).

Alasan munculnya perilaku kesabaran pada data (1) dan (2)

(22)

mungkin langsung berebut turun. Pada data (2) suami itu sudah tidak

sabar menunggu istrinya berpikir. Ia langsung mengambil payung, dan

siap pergi.Dengan ketidak-sabaran itu.Ia menunjukan kekuasaannya atas

istrinya. Kekuasaan itu juga diakui oleh istrinya,”Jangan Pak. Aku saja

(y

ang pergi).”

c.

Penerimaan Urutan Tindakan

Penerimaan urutan tindakan juga merupakan kesabaran.Pelaku atau

pembicara perlu melakukan tindakan sesuai dengan urutannya.Bila

seseorang melakukan tindakan yang tidak sesuai dengan urut-urutannya

menunjukan ketidak-sabaran orang itu.

Contoh :

1.

Kami, delapan ekor sapi, yang akan tampil pada plot kedua,

gemetar menunggu aba-aba dari Mahar untuk menerjang arena.

Kami tak sabar dan rasanya kaki sudah gatal ingin

mendemonstrasikan kehebatan mamalia menari. Kami adalah

remaja-remaja kelenihan energy dan lapar akan perhatian.

(SJ-6011)

2.

Tak satu baju pun yang tertinggal di almari. Seolah-olah Haji

Sudung akan kembali lagi ke rumah itu. Malam itu, sambil

mendekap buntalan tasnya. Haji Sudung tak sabar untuk segera

tertidur. Ia ingin berlari memburu pagi. (SJ-6040)

Karapan atau pacuan kuda mempunyai urut-urutan sendiri.Peserta

karapan harus mengikuti urut-urutan yang ditentukan sebelum mereka

akhirnya dapat berpacu di arena.Sapi-sapi pada data (1) menunjukkan

ketidak-sabarannya untuk mengikuti urutan itu.Demikian juga Haji

Sulung. Ia harus mengemasi barang-barangnya sebelum ia tidur dan

kemudian pergi pada keesokan harinya. Ia ingin segera tidur dan pergi

keesokan harinya.

Sapi-sapi pada data (1) dan Haji Sulung pada data (2) mempunyai

(23)

yang besar. Sapi-sapi itu merupakan "remaja yang kelebihan energi," dan

Haji Sulung "ingin berlari memburu pagi." Kiranya kekuatan fisik dapat

merupakan sebab ketidak-sabaran.

d.

Kesediaan Menunggu dalam Pembicaraan

Kata sabar juga mempunyai arti kesediaan menunggu dalam

pembicaraan. Peserta pembicaraan perlu menunggu sampai orang yang

berbicara selesai berbicara sebelum ia memulai bicara. Menyela

pembicaraan merupakan perilaku tidak sabar.

Contoh:

1.

Cun An tercenung sebentar, kelihatannya menyerap omongan

penyamun ini untuk disari-sarikan, tapi setelah itu dengan tak

sabar

berkata,"

Sudah saya bilang jangan bertele-tele. Katakan

saja tawaranmu itu.

" (SJ-6066)

2.

Mamak berhenti sejenak. Kalan semakin tidak

sabar

. Sebatang

rokok keretek yang ia selai tak cukup mampu untuk

menghilangkan gundahnya. ”Maksud Mamak?

Cun An menunjukkan ketidak-sabarannya dengan memotong pembicaraan

penyamun itu, dan Kalan dengan memotong pembicaraan Mamak.Latar belakang

ketidak-sabaran Cun An dan Kalan berbeda. Kalimat

“

Sudah saya bilang jangan

bertele-tele. Katakan saja tawaran itu

”

menunjukkan bahwa Cun An mempunyai

kekuatan yang lebih besar daripada penyamun itu. Cun An tidak takut pada

penyamun itu. Berbeda dengan Cun An, Kalan merasa tidak nyaman untuk

melakukan tindakan yang dapat diartikan tidak sabar.Ia merasa terpaksa harus

memotong pembicaraan mamaknya, orang yang harus dihormatinya.

Sebatang

rokok keretek yang ia selai tak cukup mampu untuk menghilangkan gundahnya

.

e.

Sifat Sabar

Sifat sabar merupakan sifat baik yang dipunyai oleh orang yang

diidamkan. Sifat itu sejajar dengan sifat-sifat baik yang lain seperti

bijaksana, baik, tabah, dan setia.

(24)

1.

Perempuan memang bukan persoalan baginya. Hanya masalahnya

sampai sekarang dia baru bisa memahami seorang perempuan saja,

mamanya, wanita yang

sabar

,

setia, bijaksana, dan penuh kasih

sayang.

2.

”Kata orangtua saya, sebagai istri saya mesti menghormati suami,

saya tidak boleh membantah kata suami

. Hanya orang yang baik

dan

sabar

yang akan bisa masuk surga.”

Data (1) membicarakan mama pelaku yang mempunyai sifat sabar,

dan data (2) menunjukkan pembicara sendiri yang mempunyai sifat

sabar.Sifat sabar pada data (1) disertai dengan sifat yang baik lainnya yaitu

setia, bijaksana, dan penuh kasih sayang, dan pada data (2) sifat itu disertai

dengan sifat baik.

Pengakuan pelaku bahwa ibu pelaku itu mempunyai sifat sabar yang

belum ia jumpai pada wanita lain pada data (1) dan pengakuan pembicara

bahwa sifat sabarnya ia kembangkan karena kata orangtuanya

menunjukkan peran orang tua dalam penanaman sifat sabar. Mereka

melihat sosok orang tua sebagai orang yang dapat mereka tauladani dalam

kesabaran.

Akan tetapi perilaku sabar pada data (2) menunjukkan jalan

pemikiran yang berbeda.Kesabaran pada wanita itu merupakan kesabaran

yang dipaksakan.Seorang istri

tidak boleh membantah kata suaminya

apapun yang dikatakan suaminya. Bila ia melanggar aturan itu, ia diancam

untuk tidak dapat masuk surga.

f.

Ketekunan dalam Pekerjaan

Arti kesabaran yang terakhir adalah ketekunan dalam pekerjaan.Orang

yang sabar adalah orang yang dapat menghadapi situasi yang sulit untuk

dihadapi atau melakukan pekerjaannya dengan tekun.Ia tidak mudah

menyerah menghadapi keadaan yang sulit dan terus tekun untuk mencapai

(25)

Contoh:

1.

"Bagaimana aku bisa

sabar

, kalau harus membuang tenaga, waktu,

dan pikiran cuma untuk beberapa ratus Indian rupee!"

2.

Uang itu ditolak Emak. Tetapi, setelah dibujuk berulang-ulang oleh

Si Pelukis dengan

sabar

dan manis, akhirnya uang yang cukup

banyak itu diterima Emak.

Pembicara pada data (1) tidak sabar atau tabah menghadapi keadaan

yang sulit.Ia tidak mau

membuang tenaga, waktu, dan pikirannya

karena

uang yang diterimanya sangat sedikitnya.Sebaliknya, Si Pelukis dengan

gigih atau tekun terus membujuk ibu pembicara sehingga wanita itu mau

menerima uang yang ingin diberikannya.

Latar belakangnya munculnya kesabaran atau ketidak-sabaran pada

(1) dan (2) berbeda. Pembicara pada (1) tidak sabar atas perilaku pemilik

pekerjaan atau orang yang memberinya pekerjaan. Ia merasa diperlakukan

tidak sebanding antara tenaga, waktu, dan pikiran yang dikeluarkannya

dengan uang yang diterimanya.Pemilik uang, modal, atau pekerjaan dapat

memperlakukan orang yang dipekerjakannya dengan tidak sepantasnya.

Pada data (2) faktor kedudukan dan usia Emak menuntut pelukis itu untuk

bertindak gigih untuk meyakinkan wanita itu agar mau menerima uang.

(B.B.Dwijatmoko,2016)

2.2.Text Mining

Text mining

didefinisikan sebagai proses pengetahuan intensif yang

melibatkan interaksi pengguna dengan sekumpulan dokumen dari waktu

ke waktu menggunakan berbagai macam analisis. Sejalan dengan

data

mining, text mining

berusaha mengekstrak informasi yang berguna dari

sumber data melalui identifikasi dan eksplorasi

pattern

(Putri, 2013).

Text mining

mencoba untuk mengekstrak informasi yang berguna dari

sumber data melalui identifikasi dan eksplorasi dari satu pola

(26)

tidak ditemukan dalam bentuk

database record

, tetapi dalam data teks

yang tidak terstruktur (Sujana, 2013).

2.3.Text Preprocessing

Tahap

text preprocessing

merupakan tahap awal dari

text mining

.

Text

preprocessing

merupakan proses menggali, mengolah dan mengatur

informasi dengan cara menganalisis hubungannya dengan aturan-aturan

yang ada di data tekstual semi terstruktur atau tidak terstruktur (Luhulima,

Marji, dan Muflikhah, 2013).

Untuk lebih efektif dalam proses

text preprocessing

, dilakukan

langkah transformasi data ke dalam suatu format yang memudahkan untuk

kebutuhan pemakai. Proses ini disebut

text preprocessing

. Setelah dalam

bentuk yang lebih terstruktur dengan adanya proses diatas, data dijadikan

sumber data yang dapat diolah lebih lanjut. Tahapan

text preprocessing

,

diantaranya:

Tokenizing, Stopword removal, Stemming

dan pembobotan.

2.3.1.Tokenizing

Tahap

Tokenizing

merupakan tahap permotongan atau pemenggalan

kata dalam suatu dokumen menjadi potongan-potongan kata yang berdiri

sendiri. Pada tahap ini juga akan menhilangkan karakter selain huruf

seperti angka, tanda baca atau karakter yang melekat pada kata tersebut

dan mengubah huruf ke huruf kecil (Manning, 2008).

Contoh proses Tokenizing:

Kalimat asal:

Kunanti dengan penuh Kesabaran.

Hasil dari Text Preprocessing:

kunanti penuh

(27)

2.3.2.Stopword Removal/Filtering

Tahap

filtering

adalah tahap mengambil kata-kata penting dari

hasil

tokenizing

.Menggunakan algoritma

stoplist

yaitu menghilangkan

kata yang kurang penting atau

wordlist

yaitu menyimpan kata penting.

Contoh

stopword

yaitu: yang, juga, dari, dia, kami, kamu, aku, saya, ini,

itu, atau, dan, tersebut, pada, dengan, adalah, yaitu, ke, tak, tidak, di,

pada, jika, maka, ada, pun, lain, saja, hanya, namun, seperti, kemudian,

dan lain-lain.

Contoh proses stopword:

Hasil dari text tokenizing:

kunanti penuh

dengan kesabaran

Hasil dari stopword:

nanti penuh

dengan kesabaran

2.3.3.Stemming

Stemming

merupakan suatu proses yang terdapat dalam sistem IR

yang mentransformasi kata-kata yang terdapat dalam suatu dokumen ke

kata-kata akarnya (

root word

) dengan menggunakan aturan-aturan

tertentu. Sebagai contoh, kata bersama, kebersamaan, menyamai, akan

distem ke

root word

-

nya yaitu “sama”. Proses

stemming

pada teks

ber-Bahasa Indonesia berbeda dengan

stemming

pada teks berbahasa Inggris.

Pada teks berbahasa Inggris, proses yang diperlukan hanya proses

menghilangkan sufiks. Sedangkan pada teks berbahasa Indonesia, selain

(28)

Algoritma

stemming

yang digunakan dalam penelitian ini adalah

Stemming Sastrawi.

Sastrawi stemmer

merupakan sebuah

library

stemmer

sederhana yang didesain untuk dapat digunakan secara mudah.

Sastrawi stemmer

menerapkan algoritma yang berbasis Nazief dan

Adriani, kemudian ditingkatkan oleh algoritma CS (

Confix Stripping

),

kemudian ditingkatkan lagi oleh algoritma ECS (Enhanced Confix

Strippin), lalu ditingkatkan lagi oleh Modified ECS.

Dengan menggunakan algoritma-algoritma tersebut, banyak

persoalan stemming berhasil diatasi:

1.

Mencegah overstemming dengan kamus kata dasar.

2.

Mencegah understemming dengan aturan-aturan tambahan

3.

Kata bentuk jamak berhasil distem. Contoh : buku-buku

menjadi buku. (Sastrawi)

Algoritma yang dibuat oleh Bobby Nazief dan Mirna Adriani ini

memiliki tahap-tahap sebagai berikut:

1.Cari kata yang akan distem dalam kamus. Jika ditemukan maka

diasumsikan bahwa kata tesebut adalah

root word

. Maka algoritma

berhenti.

2.

Inflection Suffixes (“

-

lah”, “

-

kah”, “

-

ku”, “

-

mu”, atau “

-

nya”) dibuang.

Jika berupa particles (“

-

lah”, “

-

kah”, “

-

tah” atau “

-

pun”) maka langkah

ini diulangi lagi untuk menghapus Possesive Pronouns (“

-

ku”, “

-

mu”,

atau “

-

nya”), jika ada.

3.

Hapus Derivation Suffixes (“

-

i”, “

-

an” atau “

-

kan”). Jika kata ditemukan

di kamus, maka algoritma berhenti. Jika tidak maka ke langkah 3a

a.

Jika “

-

an” telah dihapus dan huruf terakhir dari kata tersebut

adalah “

-

k”, maka “

-

k” juga ikut dihapus. Jika kata tersebut

ditemukan dalam kamus maka algoritma berhenti.Jika tidak

(29)

b. Akhiran ya

ng dihapus (“

-

i”, “

-

an” atau “

-

kan”) dikembalikan,

lanjut ke langkah 4.

4.Hapus Derivation Prefix. Jika pada langkah 3 ada sufiks yang dihapus

maka pergi ke langkah 4a, jika tidak pergi ke langkah 4b.

a.

Periksa tabel kombinasi awalan-akhiran yang tidak

diijinkan. Jika ditemukan maka algoritma berhenti, jika

tidak pergi ke langkah 4b.

b. For i = 1 to 3, tentukan tipe awalan kemudian hapus

awalan. Jika

root word

belum juga ditemukan lakukan

langkah 5, jika sudah maka algoritma berhenti. Catatan:

jika awalan kedua sama dengan awalan pertama algoritma

berhenti.

5.Melakukan

Recoding

.

6.Jika semua langkah telah selesai tetapi tidak juga berhasil maka kata

awal diasumsikan sebagai

root word

. Proses selesai.

Tipe awalan ditentukan melalui langkah-langkah berikut:

1.

Jika awalannya adalah: “di

-

”, “ke

-

”, atau “se

-

” maka tipe awalannya

secara berturut-

turut adalah “di

-

”, “ke

-

”, atau “se

-

”.

2.

Jika awalannya adalah “te

-

”, “me

-

”, “be

-

”, atau “pe

-

” maka

dibutuhkan sebuah proses tambahan untuk menentukan tipe

awalannya.

3.

Jik

a dua karakter pertama bukan “di

-

”, “ke

-

”, “se

-

”, “te

-

”, “be

-

”,

“me

-

”, atau “pe

-

” maka berhenti.

4.

Jika tipe awalan adalah “none” maka berhenti. Jika tipe awalan

adalah bukan “none” maka awalan dapat dilihat pada Tabel 2.

(30)

Tabel 2. 1 Tabel Imbuhan Awalan dan Akhiran

Awalan

Akhiran yang tidak diijinkan

be-

-i

di-

-an

ke-

-i, -kan

me-

-an

[image:30.595.85.520.133.751.2]

se-

-i, -kan

Tabel 2. 2 Tabel Cara menentukan tipe awalan untuk kata yang diawali dengan "te"

Following Characters

Tipe

Awalan

Set 1

Set 2

Set 3

Set 4

“

-r-

“

-r-

“

-

none

“

-r-

“

Vowel

-

Ter-luluh

“

-r-

“

Not(vowel

or “

-r-

“)

“

-er-

“

vowel

Ter

“

-r-

“

Not(vowel

or “

-r-

“)

“

-er-

“

Not vowel

ter-

“

-r-

“

Not(vowel

or “

-r-

“)

not “

-er-

“

-

Ter

Not(vowel

or “

-r-

“)

“

-er-

“

Vowel

-

none

(31)

[image:31.595.84.517.195.631.2]

or “

-r-

“)

Tabel 2. 3 Tabel Jenis awalan berdasarkan tipe awalanya

Tipe Awalan

Awalan yang harus dihapus

di-

ke-

se-

te-

ter-

ter-luluh

Ter

2.3.4.Pembobotan tf-idf

Pembobotan dilakukan untuk mendapatkan nilai dari kata (term)

yang telah diekstrak.Metode pembobotan yang digunakan yaitu

pembobotan tf-idf. Pada tahap ini, setiap dokumen diwujudkan sebagai

sebuah vector dengan elemen sebanyak kata (term) yang didapat dari tahap

ekstraksi dokumen. Vector tersebut beranggotakan bobot dari setiap term

yang didapat dengan perhitungan bobot tf-idf.

Formula yang digunakan untuk menghitung bobot (w)

masing-masing dokumen terhadap kata kunci adalah:

Dimana:

(32)

t = kata ke-t dari kata kunci

W = bobot dokumen ke-d terhadap kata ke-t

Setelah bobot (w) masing-masing dokumen diketahui, maka

dilakukan proses sorting/pengurutan dimana semakin besar nilai w,

semakin besar tingkat similaritas dokumen tersebut terhadap kata yang

dicari, demikian sebaliknya.

Idf =

Dimana:

N = jumlah dokumen

dfj = jumlah dokumen j yang mengandung kata

Metode ini berguna untuk mencari representasi nilai dari tiap-tiap

dokumen dari kumpulan data training. Representasi nilai akan dibentuk

menjadi vector antara dokumen dengan kata (

document with terms

).

Kesamaan antara dokumen dengan

cluster

ditentukan oleh sebuah

prototype cluster

yang disebut juga dengan

cluster centroid

(Putri, 2013).

2.4.Clustering

Clustering

adalah pekerjaan yang memisahkan data/vector ke

dalam sejumlah kelompok (

cluster

) menurut karakteristiknya

masing-masing. Data-data yang mempunyai kemiripan karakteristik akan

berkumpul dalam

cluster

yang sama, dan data-data dengan karakteristik

berbeda akan terpisah dalam

cluster

yang berbeda. Tidak diperlukan label

kelas untuk setiap data yang diproses dalam

clustering

karena nantinya

label baru bisa diberikan ketika

cluster

sudah terbentuk. Karena tidak

adanya target label kelas untuk setiap data, maka

clustering

sering disebut

juga pembelajaran tidak terbimbing (

unsupervised learning

)(Eko Prasetyo,

(33)

Tujuan dari

clustering

adalah menemukan

cluster

berkualitas dalam

waktu yang tepat.

Cluster

dalam data mining berguna untuk menemukan

pola distribusi di dalam sebuah data set yang berguna untuk proses analisa

data. Kesamaan obyek biasanya diperoleh dari kedekatan nilai-nilai atribut

yang menjelaskan obyek-obyek data, sedangkan obyek-obyek data

biasanya direpresentasikan sebagai sebuah titik dalam ruang multidimensi.

Dengan menggunakan

clustering,

dapat diidentifikasikan daerah yang

padat, antara pola-pola distribusi secara keseluruhan dan keterkaitan yang

menarik antara atribut-atribut data. Dalam data mining usaha difokuskan

pada metode-metode penemuan cluster pada basis data berukuran besar

secara efektif dan efisien.

2.5.

K-Means

K-means

merupakan algoritma pengelompokan

iterative

yang

melakukan partisi set data ke dalam sejumlah K

cluster

yang sudah

diterapkan. Algoritma

K-Means

sedehana untuk diimplementasikan dan

dijalankan, relative cepat, mudah beradaptasi dan umum penggunaannya

dalam praktek. Secara historis,

K-Means

menjadi salah satu algoritma

yang paling dalam bidang data

mining

(Eko Prasetyo, 2014).

Algoritma

K-means

mencapai kondisi konvergen ketika pengalokasian

kembali titik data tidak lagi berubah.Proses dari iterasi ke iterasi hingga

dicapai kondisi konvergen juga dapat diamati dari nilai fungsi objektif

yang didapatkan. Pada kondisi yang semakin konvergen dapat diamati

bahwa nilai fungsi objektif akan semakin menurun. Pemilihan K titik data

sebagai

centroid

awal juga mempengaruhi hasil

clustering

. Sifat ini

menjadi karakteristik alami

K-Means

yang dapat mengakibatkan hasil

cluster

yang didapat pada percobaan berbeda mendapatkan hasil yang

berbeda. Kondisi seperti ini dikenal dengan solusi yang

local optima,

yang

artinya algoritma

K-Means

sangat sensitive terhadap lokasi awal

centroid

.

(34)

mengakibatkan hasil cluster yang berbeda, bahkan pada set data X yang

sama. Innisialisai yang tidak baik akan mendapatkan hasil cluster yang

tidak baik juga. Penyelesaian masalah local optima dapat diselesaikan

dengan menjalankan algoritma beberapa kali dengan inisial

centroid

yang

berbeda kemudian memilih hasil yang terbaik.

Langkah -langkah dari Algoritma

K-means

(Handoyo, Rumani, dan

Nasution, 2014):

1.

Menentukan nilai k sebagai jumlah

cluster

yang ingin dibentuk

2.

Menentukan

centroid

(titik pusat

cluster

) awal menggunakan

variance initialitation

.

3.

Hitung jarak setiap data ke masing-masing

centroid

menggunakan rumus korelasi antar dua objek (

Euclidean

Distance

).

4.

Mengelompokan berdasarkan jarak minimum antara data

dengan

centroid

nya.

5.

Menentukan

centroid

yang baru dengan cara menghitung nilai

rata-rata dari data yang ada pada

centroid

yang sama.

6.

kemudian kembali ke langkah 3, jika posisi

centroid

baru

(35)

[image:35.595.84.512.91.593.2]

Gambar 2. 1 Gambar Flowchart Arus Proses K-Means Clustering

Gambar 2.1 merupakan algoritma

k-means clustering

dengan

menggunakan

flowchart

. Langkah pertama adalah menentukan banyaknya

jumlah cluster K, selanjutnya menentukan titik

centroid

awal, menentukan

titik

centroid

dilakukan menggunakan

variance initialitation

. Tahap

selanjutnya menghitung jarak obyek ke pusat salah satu perhitungannya

menggunakan kedekatan

euclidean distance

, lalu kelompokan obyek

berdasarkan jarak terdekat (minimum). Pada tahap terakhir apabila posisi

centroid

baru dengan

centroid

lama tidak sama, maka terjadi pengulangan

pada tahap titik pusat. Dan ketika posisi

centroid

baru dengan

centroid

(36)

2.6.Variance Initialitation

Variance initialitation

adalah salah satu algoritma yang digunakan

Untuk menentukan

centroid

awal pada proses

clustering.

Berikut

langkah-langkah

( Al-Daoud, 2007):

1.

Hitung nilai

variance

data setiap dimensi (kolom data).

2.

Temukan kolom dengan nilai

variance

terbesar, kemudian

sort

data.

3.

Bagi keseluruhan data menjadi K bagian, K adalah jumalh

cluster.

4.

Temukan

median

(nilai tengah) pada setiap bagian.

5.

Gunakan

vector

data

median

setiap bagian sebagai centroid awal

cluster.

Variance Initialitation

merupakan salah satu teknik analisis

multivariate yang berfungsi untuk membedakan rerata lebih dari dua

kelompok data dengan cara membandingkan variansinya. Analisis varian

termasuk dalam kategori

statistic parametric

( Ghozali, 2009). Berikut

rumus yang digunakan untuk menghitung variansi.

Pada persamaan

= varian

= nilai x ke-i

= rata-rata

n = ukuran sampel

Untuk menghitung standar deviasi (simpangan baku) maka

digunakan rumus standar deviasi seperti yang terdapat pada persamaan

berikut.

(37)

Pada persamaan

s = Standar deviasi (simpangan baku)

= varian

2.7.Euclidian Distance

Untuk menghitung jarak antara objekdengan centroid penulis

menggunakan

Euclidian Distance.

; i = 1,2,3,…,

= objek x ke-i

= daya y ke-i

n

= banyaknya objek

Kemudian untuk menghitung centroid

cluster

ke-i berikutnya

digunakan

rumus

sebagai

berikut:

= jumlah dokumen dalam

cluster

k

(38)

23

BAB III

METODOLOGI PENELITIAN

3.1.Data

Data yang akan digunakan diambil dari web corci.org yang berjumlah

108 karya satra.Dalam setiap dokumen mengandung kata sabar yang akan

dikelompokan sesaui dengan maknanya. Data kemudian diubah ke dokumen

berbentuk dokumen berektensi .txt. Data yang dipilih berasal dari enam kelompok

yaitu keadaan, komunikasi, pekerjaan, sifat, urutan tindakan,urutan giliran.

Berikut adalah contoh paragraph dalam suatu karya sastra yang

mengandung kata sabar dengan makna keadaan.

Meski ia tahu ibunya sayang kepadanya, tetapi kalau marah tetap saja

mengerikan. Biasanya, ia suka pura-pura tertidur kalau sedang dimarahi, menutupi

telinganya dengan bantal agar tak mendengar suara ibunya yang terus-menerus

berbicara, dan biasanya pula sang ibu akan menunggu, sampai kapan Manisha

bisa

sabar

untuk pura-pura tertidur, terkadang ia bisa benar-benar tertidur pada

akhirnya, terkadang pula tetap tak bisa tidur, hanya bisa menunggu emosi ibunya

reda, dan akhirnya, mereka akan saling menunggu, siapa yang paling sabar di

antara keduanya. Sudah ratusan kali Manisha dimarahi ibunya, entah karena

kesalahan fatal semacam menumpahkan gula dari stoples, atau membiarkan air

keran kamar mandi terbuka yang menyebabkan airnya meluber, sampai beragam

alasan yang menurutnya mengada-ada. Lama kelamaan, Manisha bisa

[image:38.595.89.540.214.670.2]

dikriminalisasi oleh ibunya sendiri.

(39)

Selanjutnya adalah contoh paragraph dalam suatu karya sastra yang

mengandung kata sabar dengan makna komunikasi.

Ibu seperti menghindar, memalingkan muka menyembunyikan wajahnya, sambil

jawabnya: “Nanti juga kalau saatnya pulang, pasti pulang.” “Apa nggak kena

penyakit karena candik ala, Bu?” tanyaku tak

sabar

.Ibu diam saja.Memang,

kadang-kadang setengahnya aku kurang percaya dengan hal-hal aneh demikian,

tapi kadang kala pula hati dibuat ciut dengan kejadian seperti yang pernah kami

alami tahun lalu.

Kemudian contoh paragraph karya sastra yang mengandung kata sabar

dengan makna pekerjaan.

" begitu Iwin menulis. Tampaknya dia sudah tidak

sabar

, karena selama ini

perutnya cuma diisi cairan infus dan baru-baru ini sudah diperbolehkan menyedot

susu murni. "Seminggu lagi." Si suster tersenyum kecil sambil menyodorkan

segelas susu murni. Iwin menyedotnya hati-hati.Roy memperhatikannya dengan

[image:39.595.86.535.169.632.2]

teliti.Tampaknya Iwin sudah mendingan, batinnya.

Tabel 3. 2 Tabel Data Paragraf Mengandung Kata Sabar Dengan Makna Komunikasi

(40)

Contoh paragraph karya sastra yang mengandung kata sabar dengan makna sifat.

Suatu malam, Ibnu Zaidun menghadiri undangan Wilada yang cukup meriah,

penuh hiburan dan nyanyian. Bertambahlah perasaan cinta dalam dirinya sehingga

ia ungkapkan dalam sebuah syair yang mendalam: Engkau di antara makhluk

yang besok menjadi pujaanku Engkau adalah waktu yang menjadi curahanku Aku

tidak mengajukan suatu keinginan diri Kecuali dengan menyebutku dengan

menenteram-kanku Janjimu akan

kesabaran

atasmu adalah kesabaranku di

tengah dahagaku pada air yang jernih Aku memiliki cita-cita, seandainya

pemfitnah itu merintangi Akan kubuktikan hasil dengan buah keberhasilan Benar,

hidup bagi kedua matanya adalah firdaus yang menerangi kegelapan. Bagi kedua

telinganya hidup juga ibarat langgam merdu, bagaikan burung-burung yang

beterbangan dengan riang gembira dari dahan ke dahan, dan dari pohon ke pohon.

Contoh paragraph karya sastra yang mengandung kata sabar dengan makna urutan

tindakan.

Dalam terpaan cahaya kuning, wajah-wajah kurus semakin mempertegas

cekungan mata bagai mayat hidup. Dadaku berdebar-debar, tak

sabar

untuk bisa

cepat-cepat bertemu ayah, yang mungkin ada di sana. Beberapa meter sebelum

mencapai tempat mereka, seorang petugas mengusirku, dan menyuruhku mancing

agak jauh dari situ. Kutaruh sepeda di pinggir jalan, kemudian duduk

[image:40.595.90.538.125.626.2]

mencangkung di atas batu padas di pinggir rawa.

Tabel 3. 4 Tabel Data Paragraf Mengandung Kata Sabar Dengan Makna Sifat

(41)

Contoh paragraph karya sastra yang mengandung kata sabar dengan makna urutan

giliran.

Anak-anak kecil itu tertawa-tawa senang jika mengetahui kata-kata Indonesia

yang mirip dengan bahasa daerah mereka.Semakin anak-anak kecil itu gembira,

semakin tak

sabar

Murtini menunggu di dapur.Jangan-jangan dia tidak mencuci

hari ini, keluhnya dalam hati.Bayang-bayang pohon di tanah tinggal sepanjang

sepertiga panjang benda aslinya.Akhirnya anak-anak kecil itu bubar setelah Tody

menyuruhnya bubaran.

3.2.Deskripsi Sistem

Secara umum, sistem yang akan dibangun dalam penelitian ini adalah

sebuah sistem dengan fungsi utama untuk melakukan pengelompokan dokumen

kalimat yang mengandung kata Sabar yang diambil dari website corci.org.

Proses pengelompokan yang digunakan pada sistem ini adalah metode

k-means

clustering

. Praktiknya dokumen-dokumen yang akan dikelompokan dijadikan

sebagai arsip digital dengan ekstensi .txt. File text inilah yang nantinya akan

diproses oleh sistem melalui proses

tokenizing, stopword, stemming, indexing

,

pembobotan,

clustering

, dan evaluasi.

[image:41.595.85.530.184.667.2]

Gambar 3. 1 Gambar proses sistem

(42)

Pada gambar 3.1.proses

clustering

dimulai dari input data yang

berupa kalimat-kalimat karya sastra, kemudian dilanjutkan dengan text

operation, pada tahap awal dilakukan

tokenizing

, yaitu proses pemisahan

data dan menghilangkan karakter yang bukan huruf seperti tanda baca atau

angka, langkah selanjutnya adalah

stopword, stopword

digunakan untuk

mengambil kata-kata yang dianggap penting dari tahap

tokenizing

,

membuang kata yang kurang penting. Tahap selanjutnya adalah

stemming,

stemming

digunakan untuk menghilangkan kata-kata yang berimbuhan, dan

pembobotan untuk proses member index atau

frekuensi

yang terdapat pada

kata hasil dari proses dari

stemming

.

Tahapan

k-means

, menentukan nilai awal centroid, setelah itu

dicari kedekatan antara centroid yang telah didapat dengan data

menggunakan kedekatan

euclidean distance

. Selanjutnya untuk

output

terdiri dari hasil

cluster

, dimana terdapat pembagian data dalam empat

cluster

berdasrkan centroid terdekat.

Tahap Preprocessing

Pada tahap

preprocessing

, sistem melakukan tahap

tokenizing

,

stopword

, dan

stemming

.

Langkah-langkah

tokenizing

:

1.

Baca tiap file txt sebagai satu data dokumen.

2.

Ambil tiap token pada kalimat tweet dengan menggunakan spasi

sebagai pemisah antara satu token dengan token lain.

3.

Simpan setiap data dokumen yang telah di token.

Langkah-langkah

stemming:

1.

Baca tiap token dan cocokan dengan kata pada daftar kamus

stemming/kata dasar.

2.

Jika token cocok dengan kata pada daftar kamus kata dasar, berarti

(43)

3.

Jika token tidak cocok dengan kata pada daftar kamus kata dasar,

hapus akhiran dan awalan pada token.

4.

Cocokan hasil langkah 3 dengan kata pada daftar kamus kata dasar,

jika cocok, anggap token sebelum dikenakan langkah 3 sebagai

root

word.

Tahap Pembobotan

Pada

tahap

pembobotan

ini,

sistem

yang

akan

dibangun

merepresentasikan data text sebagai vector dengan nilai bobot

masing-masing term. Perhitungan bobot term menggunakan metode pembobotan

tf-idf.

Langkah-langkah pembobotan tf-idf:

1.

hitung nilai tf pada masing-masing kata

2.

hitung nilai idf pada masing-masing kata

3.

hitung bobot kata dengan mengalikan nilai tf dan idf

Tahap Clustering

Tahap

clustering

sistem akan mengelompokan data berupa paragraf yang

mengandung kata sabar ke dalam 6 cluster, yaitu keadaan, komunikasi, sifat,

urutan giliran, urutan tindakan, pekerjaan. Setiap data akan dikelompokan

berdasarkan kedekatan dengan centroid. Kedekatan antara data dengan

centroid dihitung menggunakan metode

euclidian distance

.

Untuk menentukan titik pusat centroid awal digunakan metode

variance

initialization

. Penggunaan metode tersebut diharapkan mendapatkan titik

centroid awal yang baik sehingga pengelompokan data-nya pun

mendapatkan hasil yang baik.

Langkah-langkah

( Al-Daoud, 2007):

(44)

2.

Temukan kolom dengan nilai

variance

terbesar, kemudian

sort

data.

3.

Bagi keseluruhan data menjadi K bagian, K adalah jumalh

cluster.

4.

Temukan

median

(nilai tengah) pada setiap bagian.

5.

Gunakan

vector

data

median

setiap bagian sebagai centroid awal

cluster.

Langkah-langkah K-means Clustering:

1.

Menentukan nilai k sebagai jumlah

cluster

yang ingin dibentuk

2.

Menentukan

centroid

(titik pusat

cluster

) awal menggunakan

variance initialitation.

3.

Hitung jarak setiap data ke masing-masing

centroid

menggunakan rumus korelasi antar dua objek (

euclidean

distance

).

4.

Mengelompokan berdasarkan jarak minimum antara data

dengan

centroid

nya.

5.

Menentukan

centroid

yang baru dengan cara menghitung nilai

rata-rata dari data yang ada pada

centroid

yang sama.

6.

kemudian kembali ke langkah 3, jika posisi

centroid

baru

dengan

centroid

lama, tidak sama.

3.3.Preprocessing

Sebelum masuk pada tahap

clutering

data terlebih dahulu masuk ke

dalam tahap

preprocessing

. Tahap ini meliputi tahap

tokenizing, stopword,

dan

stemming

:

3.3.1.Tokenizing

Tahap

tokenizing

adalah tahap permotongan

string input

berdasarkan tiap

kata yang menyusunnya. Pada tahap ini menhilangkan karakter selain huruf dan

(45)

Tokenizing

data dengan paragraph yang mengandung kata sabar dengan

makna keadaan:

Tokenizing

makna komunikasi:

Manisha bisa sabar untuk pura-pura tertidur, terkadang ia bisa benar-benar

tertidur pada akhirnya, terkadang pula tetap tak bisa tidur

Manisha pura-pura bisa akhirnya tak

Bisa tertidur benar-benar terkadang bisa

Sabar terkadang tertidur pula tidur

untuk ia pada tetap

Ayah akan menco a e ari ara ter aik u tuk e yelesaika asalah i i.” ”Ke apa tidak e yuruh para pre itu elepaska ayahku?” ta ya Artika tak sa ar. Mata ya sudah e gkak da ia asih terus e a gis. ”Te a g, Nak.

Ayah cara masalah menyuruh melepaskan tak bengkak

akan terbaik ini para ayahku sabar

mencoba untuk Kenapa pre Tanya Matanya

mencari menyelesaikan tidak itu Artika sudah

[image:45.595.86.541.187.625.2]

Tabel 3. 7 Tabel Tokenizing data dengan paragraph yang mengandung kata sabar dengan makna keadaan

(46)

Tokenizing

data dengan paragraph yang mengandung kata sabar dengan makna

pekerjaan:

Tokenizing

makna sifat:

Sabar Roy!" "Bagaimana aku bisa sabar, kalau harus membuang tenaga, waktu, dan pikiran cuma untuk beberapa ratus Indian rupee!" makinya. Chi Wan memang cuma menukar dua ratus dolar saja.

Sabar sabar waktu beberapa Chi Wan ratus

Roy kalau dan ratus memang dolar

Bagaimana harus pikiran Indian Cuma saja

aku membuang Cuma rupee menukar

bisa tenaga untuk makinya dua

” ”Kata ora gtua saya, se agai istri saya esti e ghor ati sua i, saya tidak boleh membantah kata suami. Hanya orang yang baik dan sabar yang akan bisa

asuk surga.” ”Kalau ora gtua ka u asih hidup, dia tidak aka rela ka u disiksa begini?!

Kata menghormati suami yang

Orangtua suami Hanya akan

Saya saya orang bisa

Sebagai tidak yang masuk

Istri boleh baik surga

Saya membantah dan

Mesti kata sabar

[image:46.595.85.532.184.751.2]

Tabel 3. 9 Tabel Tokenizing data dengan paragraph yang mengandung kata sabar dengan makna pekerjaan

(47)

Tokenizing data dengan paragraph yang mengandung kata sabar dengan

makna urutan tindakan:

Tokenizing

makna urutan giliran:

Tak la a lagi. Aku aka ke ali e ulis.” ”Aku tak sa ar u tuk e a a ya. ”Bisikku, saat dua pasa g kaki e yusuri koridor ya g su yi.

Tak kembali untuk pasang sunyi

Lama menulis membacanya kaki

Lagi Aku Bisikku menyusuri

Aku tak saat koridor

Akan sabar dua yang

Penumpang berebut turun.Wajah gadis itu nampak sabar sekali menunggu luangnya jalan.Joki memberinya kesempatan untuk lewat.

Penumpang gadis Nampak menunggu Joki untuk

Berebut Wajah sabar luangnya memberinya lewat.

Turun itu sekali jalan kesempatan

[image:47.595.85.532.209.633.2]

Tabel 3. 11 Tabel Tokenizing data dengan paragraph yang mengandung kata sabar dengan makna urutan tindakan

(48)

3.3.2.Stopword

Tahap

stopword

adalah tahap mengambil kata-kata penting dari hasil

tokenizing.Menggunakan algoritma

stoplist

yaitu menghilangkan kata yang

kurang penting atau

wordlist

yaitu menyimpan kata penting. Contoh

stopword

yaitu “ada”,”kita”, dan lain

-lain.

Stopword

makna keadaan:

Stopword

komunikasi:

Manisha pura-purabisaakhirnyatak

bisatertidurbenar-benarterkadangbisa

sabarterkadangtertidurpulatidur

untuk iapadatetap

Sabar benar-benar terkadang Pura-pura tertidur

Tertidur

Terkadang akhirnya tidur

Ayah cara masalah menyuruh melepaskan tak bengkak

akan terbaik ini para ayahku sabar

mencoba untuk Kenapa pre Tanya Matanya

mencari menyelesaikan tidak itu Artika sudah

Akan cara menyuruh matanya

Mencoba menyelesaikan melepaskan bengkak

(49)

Stopword

makna pekerjaan:

Stopword

sifat:

Sabar sabar waktu beberapa Chi Wan ratus

Roy kalau dan ratus memang dolar

Bagaimana harus pikiran Indian Cuma saja

aku membuang Cuma rupee menukar

bisa tenaga untuk makinya dua

Sabar waktu makinya

Sabar pikiran menukar

Membuang ratus ratus

Tenaga rupee dolar

Kata menghormati suami yang

Orangtua suami Hanya akan

Saya saya orang bisa

Sebagai tidak yang masuk

Istri boleh baik surga

Saya membantah dan

Mesti kata sabar

Istri sabar

Suami surga Membantah

(50)

Stopword

data dengan paragraph yang mengandung kata sabar

dengan makna urutan tindakan:

Stopword

dengan makna urutan giliran:

Penumpang gadis Nampak menunggu Joki untuk

Berebut Wajah sabar luangnya memberinya lewat.

Turun itu sekali jalan kesempatan

Penumpang wajah menunggu memberinya

Berebut Nampak luangnya kesempatan

Turun sabar jalan lewat

Tak kembali untuk pasang sunyi

Lama menulis membacanya kaki

Lagi Aku Bisikku menyusuri

Aku tak saat koridor

Akan sabar dua yang

Menulis bisikku menyusuri Sabar pasang koridor

(51)

3.3.3.Stemming

Pada tahap ini hasil kata yang sudah tereduksi dari proses

stopword

dilakukan penghapusan kata menjadi kata dasar yang kemudian akan

dicocokan ke kamus untuk menghasilkan kata unik.

Stemming

dengan makna keadaan:

Stemming

dengan makna komunikasi:

Sabar benar-benar terkadang Pura-pura tertidur

Tertidur

Terkadang akhirnya tidur

Sabar benar tidur

Pura tidur

Tidur akhir

Kadang kadang

cara menyuruh matanya

Mencoba menyelesaikan melepaskan bengkak

Mencari masalah sabar

Coba masalah mata

Cari suruh bengkak

Cara lepas

(52)

Stemming

dengan makna pekerjaan:

Stemming

dengan makna sifat:

Sabar waktu makinya

Sabar pikiran menukar

Membuang ratus ratus

Tenaga rupee dolar

Sabar waktu maki

Sabar piker tukar

Buang ratus ratus

Tenaga rupee dolar

Istri sabar

Suami surga Membantah

suami

Istri sabar

Suami surga Bantah

(53)

Stemming

dengan makna urutan tindakan:

Stemming

dengan makna urutan giliran:

Menulis bisikku menyusuri Sabar pasang koridor

Membacanya kaki sunyi

Tulis bisik susur

Sabar pasang koridor

Baca kaki sunyi

Penumpang wajah menunggu memberinya

Berebut Nampak luangnya kesempatan

Turun sabar jalan lewat

Tumpang wajah tunggu beri

Rebut Nampak luang kesempatan

(54)<