Analisis Perbandingan Kernel Algoritma Support Vector Machine dalam Mengklasifikasikan Skripsi Teknik Informatika berdasarkan Abstrak

Anggri Liani

Abstract


Mahasiswa memiliki kewajiban menyelesaikan skripsi untuk menyelesaikan pendidikan jenjang S-1, namun justru menentukan topik skripsi adalah kesulitan pertama mahasiswa dalam pembuatan skripsi yang menjadi salah satu faktor mahasiswa lulus terlambat, Dengan melakukan pengklasifikasian skripsi berdasarkan abstrak dapat membantu mahasiswa dalam mencari referensi untuk menentukan topik skripsi. Metodelogi yang digunakan adalah proses text Mining dengan proses case folding, tekonizing, filtering, stemming, TF-IDF, data mining dan evaluation. Pembagian data menggunakan rasio 80% data latih dan 20% data uji. Pengklasifikasian menggunakan algoritma Support Vector Machine (SVM). Algoritma support vector machine (SVM) adalah salah satu algoritma pengklasifikasian yang memiliki beberapa kernel yaitu liniear dan 3 kernel yang paling dipertimbangkan. Validasi data menggunakan cross validation dengan 10-fold. Tingkat akurasi didapatkan 81%, presisi 82% dan recall 81% pada kernel liniear.


Full Text:

PDF

References


Widarto. (2017). Faktor Penghambat Studi Mahasiswa Yang Tidak Lulus Tepat Waktu Di Jurusan Pendidikan Teknik Mesin FT UNY. Jurnal Dinamika Vokasional Teknik Mesin, Vol.2, No.2, Oktober-2017, 127-138

Aslinawati, E. N., & Mintarwati, S. U. (2017) Keterlambatan Penyelesaian Skripsi Mahasiswa Angkatan 2012 (Studi Kasus di Jurusan Ekonomi Pembangunan Fakultas Ekonomi Universitas Negeri Malang). Jurnal Pendidikan Ekonomi, Vol.10, No.1. 23-33.

Ernawati I. (2019). Naïve Bayes Classifier Dan Support Vector Machine Sebagai Alternatif Solusi Untuk Text Mining. Jurnal Teknologi Informasi dan Pendidikan. Vol. 12, No. 2, 32-38.

Musyaffa N & Rifai B. (2018). Model Support Vector Machine Berbasis Particle Swarm Optimization Untuk Prediksi Penyakit Liver. Jurnal Ilmu Pengetahuan Dan Teknologi Komputer, e-ISSN: 2527-4864, Vol. 3. No. 2, 189-193.

Gorunescu, F. (2011). Data Mining Concepts, Models, Concepts. Verlag Berlin Heidelberg: Springer.

Hidayatullah, A. F. & Ma’arif, M. R. (2016). Penerapan Text Mining dalam Klasifikasi Judul Skripsi.Seminar Nasional Aplikasi Teknologi Informasi (SNATi), 33-36.

Inge Santoso. V., Virginia. G. & Lukito. Y. (2017). Penerapan Sentiment Analysis Pada Hasil Evaluasi Dosen Dengan Metode Support Vector Machine. Jurnal Transformatika, Vol.14, No.2, 79-83.

R. Feldmen dan J. Sanger, (2007), The Text Mining Handbook, New York: Cambridge University Press.

Tapikap H. F, Djahi B. S & Widiastuti T. (2019). Klasifikasi Spam E-Mail Menggunakan Metode Transformed Complement Naïve Bayes (TNCB). J-ICON, Vol. 7 No. 1, 21-26.

Han, Jiawei. (2007). Data Mining: Concepts and Techniques. United States of America: Diane Cerra.

Pudjiarti E. (2016). Prediksi Spam Email Menggunakan Metode Support Vector Machine Dan Particle Swarm Optimization. Jurnal Pilar Nusa Mandiri Vol.XII, No.2, 171-181.

Puspitasari, A. M., Ratnawati, D. K. & Widodo, A. W. (2018). Klasifikasi Penyakit Gigi Dan Mulut Menggunakan Metode Support Vector Machine. Jurnal Pengembangan Teknologi Informasi dan Ilmu Komputer, e-ISSN: 2548-964, Vol. 2, No. 2, 802-810.

Hamidi, M. N. (2019). Text Mining Klasifikasi Skripsi Berdasarkan Abstrak Menggunkan Metode Naïve Bayes. (Skripsi). Universitas Singaperbangsa Karawang, Karawang.




DOI: https://doi.org/10.33633/joins.v5i2.3715

Article Metrics

Abstract view : 145 times
PDF - 109 times

Refbacks

  • There are currently no refbacks.




Indexed by:

  

JOINS (Journal Of Information System) licensed by Creative Commons Attribution 4.0 International License.

Creative Commons License