Main Article Content

Abstract

Sebuah perpustakaan mempunyai bilangan katalog yang sangat besar. Katalog tersebut bertambah setiap waktu seiring dengan pertambahan cirinya yang sangat beragam. Otomatisasi pengklasifikasian katalog tanpa mendefinisikan kategori sebelumnya akan mempercepat dan mempermudah pengelompokkan kategori secara lebih objektif. Otomatisasi terdiri dari dua langkah yaitu pengelompokkan dan pemberian label. Sebagai langkah awal implementasi otomatisasi yang efektif, paper ini mencoba melihat kinerja pengelompokkan dokumen melalui penerapan Cosine Similarity dan Euclidean Distace sebagai distance measure dalam algoritma Kmeans.
Kata kunci: Clustering, Kmeans, Euclidean, Cosine Vector, Frekuensi term, Unsupervised

Article Details