Dalam beberapa tahun terakhir, penelitian di bidang humor komputasional semakin berkembang, khususnya di bidang joke generation. Salah satu sistem joke generator yang telah dikembangkan adalah T-Peg (Template-based Pun Extractor and Generator) (Hong, 2008). T-Peg mempelajari punning riddle dan melakukan ekstraksi template. Kelemahan sistem ini adalah jumlah template yang terus bertambah seiring bertambah banyaknya punning riddle, sehingga dapat menimbulkan inefisiensi dan redundansi. Penulis mencoba memperbaiki ini dengan melakukan clustering terhadap template dengan kemiripan tinggi. Jumlah template menjadi lebih sedikit namun tetap merepresentasikan keberagaman punning riddle yang telah dipelajari. Modul hasil modifikasi ini memiliki rata-rata tingkat precision 0.55dan recall 0.612 ketika template hasil pembelajaran dibandingkan dengan schema yang digunakan untuk menghasilkan korpus input.