Penerapan Algoritma K-Means Untuk Clustering Framework dan Library PHP Berdasarkan Analisis Code Structure

Abstract

Framework dan library PHP memiliki variasi struktur kode yang signifikan, sehingga pengembang menghadapi tantangan dalam memilih tools yang sesuai untuk kebutuhan proyek. Penelitian ini bertujuan untuk mengelompokkan framework dan library PHP berdasarkan analisis struktur kode menggunakan algoritma K-Means dengan sistem berbasis website. Analisis dilakukan dengan mempertimbangkan 13 atribut, seperti LOC, NCLOC, CLOC, rata-rata panjang kelas, panjang metode, dan distribusi fungsi, untuk menemukan pola distribusi dalam kelompok yang signifikan. Meskipun Elbow Method menunjukkan k=4 (91.799) sebagai cluster optimal berdasarkan penurunan WCSS yang signifikan, analisis lanjutan dengan Silhouette Score dan evaluasi visual menunjukkan bahwa pembagian data menjadi 3 cluster memberikan pemisahan yang lebih jelas dan mudah diinterpretasikan. Cluster 1 mewakili framework dengan struktur kode kecil dan sederhana, sementara Cluster 2 dan Cluster 3 mencerminkan framework dengan struktur yang lebih kompleks dan ukuran kode yang lebih besar. Oleh karena itu, jumlah cluster 3 dipilih sebagai hasil yang optimal, karena memberikan keseimbangan antara kompleksitas model dan interpretasi yang jelas. Hasil clustering menggunakan sistem berbasis website menunjukkan presisi lebih tinggi, dengan perhitungan jarak yang mencapai hingga 15 angka di belakang koma, dibandingkan perhitungan manual yang hanya mencapai 5-6 angka, yang mengindikasikan peningkatan akurasi. Penelitian ini memberikan kontribusi pada pengelompokan framework PHP yang lebih efisien dan membantu pengembang memilih tools yang sesuai.