respectively. We also conducted exp

respectively. We also conducted experiments using traditional k - means algorithm for comparison. Here the values of k are set to the number of clusters, which are 27 and 229, respectively, for COR¬PUS-1 and CORPUS-2, respectively. The values of S using k-means are 0.21 and 0.35 for CORPUS-1 and CORPUS-2, respectively. It is obvious that SOM outperforms k-means in our experiments.
We performed the other evaluation process to prove the effec¬tiveness of the KCM. Since the KCM reveals the important thematic keywords occurred in the underlying set of Web pages, we should verify that these keywords are truly important in these Web pages. Generally the importance of a keyword can be measured by the number of its occurrences, i.e. the term frequency (tf), within a document. Therefore, we may measure the average term frequency of a keyword ki in the KCM as follows:

X 1
tfi ¼ tfi;j; jKij dj2Ki
where tfi;j 2 ð0; 1Þ is the normalized term frequency of ki in docu-ment dj and Ki is the set of documents that labeled to the same neu¬ron as ki. We then calculate the average value of tfi over all keywords in the KCM. When this average value approaches 1, we should consider these identified keywords important in their underlying documents. In our experiments, the average values are 0.59 and 0.67 for CORPUS-1 and CORPUS-2, respectively. It is diffi¬cult to judge the goodness of the result. Thus we computed a base-line value for comparison by replacing each keyword in the KCM with a randomly selected keywords. The baseline values for COR¬PUS-1 and CORPUS-2 are then 0.21 and 0.23, respectively. Our

Results (Indonesian) 1:

masing-masing. Kami juga melakukan percobaan menggunakan tradisional k - berarti algoritma untuk perbandingan. Berikut nilai-nilai k yang ditetapkan untuk jumlah kluster yang 27 dan 229, masing-masing, untuk COR¬PUS-1 dan CORPUS-2, masing-masing. Nilai-nilai S menggunakan k-berarti adalah 0,21 dan 0,35 untuk CORPUS-1 dan CORPUS-2, masing-masing. Hal ini jelas bahwa SOM melebihi k-berarti dalam percobaan kami.Kami melakukan proses evaluasi lainnya untuk membuktikan effec¬tiveness KCM. Sejak KCM mengungkapkan tematik kata kunci penting terjadi di set mendasari halaman Web, kami harus memverifikasi bahwa kata kunci benar-benar penting di halaman Web ini. Umumnya pentingnya kata kunci dapat diukur dengan jumlah kejadian yang, yaitu istilah frekuensi (tf), dalam sebuah dokumen. Oleh karena itu, kita dapat mengukur frekuensi rata-rata istilah kata kunci ki di KCM sebagai berikut: X 1tfi TFI ¼; j; jKij dj2Kimana tfi; ð0 j 2; 1Þ frekuensi istilah menormalkan ki di docu-ment dj dan Ki dokumen yang diberi label untuk neu¬ron sama Ki. Kita kemudian menghitung nilai rata-rata tfi atas semua kata kunci dalam KCM. Ketika nilai rata-rata ini mendekati 1, kita harus mempertimbangkan mengidentifikasi kata kunci penting dalam dokumen yang mendasari mereka. Dalam percobaan kami, nilai rata-rata adalah 0,59 dan 0,67 untuk CORPUS-1 dan CORPUS-2, masing-masing. Ini adalah diffi¬cult untuk menilai kebaikan hasilnya. Dengan demikian kami dihitung nilai base-line untuk perbandingan dengan mengganti setiap kata kunci di KCM dengan kata kunci yang dipilih secara acak. Nilai-nilai awal untuk COR¬PUS-1 dan CORPUS-2 adalah 0,21 kemudian dan 0,23, masing-masing. Kami

Results (Indonesian) 2:

masing-masing. Kami juga melakukan percobaan menggunakan k tradisional - berarti algoritma untuk perbandingan. Berikut nilai-nilai k ditetapkan untuk jumlah cluster, yang 27 dan 229, masing-masing, untuk COR¬PUS-1 dan CORPUS-2, masing-masing. Nilai-nilai S menggunakan k-cara yang 0,21 dan 0,35 untuk-CORPUS 1 dan CORPUS-2, masing-masing. Hal ini jelas bahwa SOM melebihi k-cara dalam percobaan kami.
Kami melakukan proses evaluasi lainnya untuk membuktikan effec¬tiveness dari KCM. Karena KCM mengungkapkan kata kunci tematik penting terjadi di set mendasari halaman Web, kita harus memastikan bahwa kata kunci tersebut benar-benar penting dalam halaman Web tersebut. Umumnya pentingnya kata kunci dapat diukur dengan jumlah kejadian, yaitu frekuensi istilah (tf), dalam dokumen. Oleh karena itu, kita dapat mengukur frekuensi jangka rata dari ki kata kunci di KCM sebagai berikut: X 1 TFI ¼ TFI; j; jKij dj2Ki mana TFI; j 2 D0; 1th adalah frekuensi jangka dinormalisasi dari ki di dokumen-ment dj dan Ki adalah himpunan dokumen yang berlabel ke neu¬ron sama ki. Kami kemudian menghitung nilai rata-rata TFI atas semua kata kunci dalam KCM. Ketika nilai rata-rata ini mendekati 1, kita harus mempertimbangkan ini kata kunci diidentifikasi penting dalam dokumen yang mendasari mereka. Dalam percobaan kami, nilai rata-rata adalah 0,59 dan 0,67 untuk CORPUS-1 dan CORPUS-2, masing-masing. Hal ini diffi¬cult untuk menilai kebaikan hasilnya. Jadi kita dihitung nilai dasar-line untuk perbandingan dengan mengganti setiap kata kunci dalam KCM dengan kata kunci yang dipilih secara acak. Nilai-nilai dasar untuk COR¬PUS-1 dan CORPUS-2 kemudian 0,21 dan 0,23, masing-masing. Kami