KLASTERISASI PORTAL BERITA ONLINE MENGGUNAKAN ALGORITMA K-MEANS DENGAN TEKNIK KNOWLEDGE DISCOVERY IN DATABASE

Abstract

Lonjakan volume informasi pada portal berita online menciptakan tantangan besar dalam pengorganisasian data yang tidak terstruktur dan tidak berlabel. Ketidakmampuan sistem dalam mengelompokkan berita secara otomatis menyebabkan redundansi informasi serta penurunan efisiensi pencarian bagi pengguna. Penelitian ini bertujuan untuk mengimplementasikan klasterisasi berita secara otomatis dengan mengintegrasikan algoritma K-Means dan kerangka kerja Knowledge Discovery in Databases (KDD). Metode KDD digunakan untuk memastikan proses pengolahan data dilakukan secara sistematis, meliputi tahapan data selection, preprocessing (case folding, normalization, tokenizing, stopword removal, dan stemming), data transformation, hingga tahap data mining menggunakan K-Means. Penentuan jumlah klaster optimal dilakukan dengan metode Elbow dan divalidasi menggunakan Silhouette Coefficient. Hasil penelitian menunjukkan bahwa nilai k = 7 merupakan jumlah klaster optimal dalam memisahkan topik-topik berita. Evaluasi menggunakan Silhouette Score menghasilkan nilai rata-rata positif yang menunjukkan kualitas klaster yang baik. Penelitian ini memberikan kontribusi dalam pengorganisasian berita secara otomatis sehingga mempermudah pengguna dalam menemukan informasi yang relevan dengan lebih cepat dan akurat