Program Comprehension adalah proses kognitif yang penting dalam pengembangan perangkat lunak, proses ini memiliki banyak potensi pengaplikasian seperti reverse engineering dan program collaboration. Namun, program comprehension telah dikenal sebagai aktivitas yang memakan waktu dan sangat sulit dicapai tanpa pengetahuan mengenai domain program. Penelitian ini mencoba menerapkan metode clustering menggunakan k-prototypes untuk memfasilitasi pemahaman program pada tingkat methods. Penelitian ini menggunakan dua aplikasi sebagai studi kasus: Ghost - Professional Blogging App and Protein � an atypical Dribbble App. Hasil pengelompokan kemudian dianalisis untuk mendapatkan sifat pembuatan methods dalam program Java. Evaluasi pengelompokan dari kedua studi kasus menunjukkan bahwa dengan menggunakan Silhouette Measure k = 2 adalah hasil terbaik semestara dengan menggunakan Sum of Squared Errors k = 6 memiliki hasil validitas klaster terbaik. Meskipun beberapa kluster telah mengungkapkan kesamaan perilaku, beberapa yang lain belum membentuk perilaku yang sama.

Program comprehension is an important cognitive process in software development, it has many potential applications like reverse engineering and program collaboration. However, program comprehension has been known as time-consuming activity and very hard to accomplish without the knowledge of the program domain. This research tries to apply a clustering method using k-prototypes to facilitate program comprehension on the method level. This research uses two application as case studies: Ghost - Professional Blogging App and Protein � an atypical Dribbble App. The clustering result then analyzed to get the nature of method creation in a Java program. The clustering evaluation from both case studies shows that using Silhouette Measure k = 2 is the best result while using Sum of Squared Errors k = 6 has the best cluster validity result. Although some of the clusters have revealed the similarities of behaviors, others have not formed a certain similar behavior.

Kata Kunci : data mining, cluster analysis, k-prototypes clustering, program comprehension, Java