Skripsi

Klasifikasi artikel jurnal ekonomi berdasarkan judul dan abstrak menggunakan k-nearest neighbor berbasis bigram frekuensi / Jeanny Indra Rifani

Abstrak
RINGKASAN Rifani Jeanny Indra. 2019. Klasifikasi Artikel Jurnal Ekonomi Berdasarkan Judul dan Abstrak Menggunakan K-Nearest Neighbor Berbasis Bigram Frekuensi. Skripsi Program studi S1 Teknik Informatika Jurusan Elektro Fakultas Teknik Universitas Negeri Malang. Pembimbing Aji Prasetya Wibawa S.T. M.M.T. Ph. D. dan Harits Ar Rosyid S.T. M.T. Ph.D. Keywords Klasifikasi Teks N-Grams Cosine Similarity K-Nearest Neighbor. Dalam artikel ilmiah rujukan berfungsi sebagai media yang dapat dipercaya untu mendukung suatu gagasan dalam penelitian ilmiah. Kumpulan dari artikel ilmiah atau laporan penelitian terdahulu dapat ditemukan dengan mudah dalam jurnal nasional maupun internasional. Untuk dapat membantu mendukung gagasan dalam penelitian ilmiah rujukan yang digunakan harus memiliki kesesuaian topik dengan penelitian yang dilakukan. Kesesuaian topik ini ditandai dengan kumpulan artikel ilmiah yang serupa akan masuk dalam kategori kelas yang sama. Pada beberapa kasus terjadi kesalahan dalam proses pengelompokan artikel ilmiah sehingga beberapa artikel ilmiah masuk dalam kategori topik yang berbeda. Untuk mengurangi kesalahan tersebut digunakan teknik klasifikasi dengan menggunakan Machine Learning untuk mengelompokkan artikel ilmiah dalam bentuk dokumen digital. Akan tetapi teknik Machine Learning umum tidak dapat digunakan pada dokumen yang mengandung istilah kata yang terdiri dari pasangan kata atau lebih. Hal ini terjadi karena proses pengelompokan yang dilakukan adalah memotong kalimat menjadi kata per kata sehingga dapat menyebabkan kesalahan dalam proses pengelompokan. Oleh sebab itu digunakan metode N-Grams untuk membantu mempertahankan relasi antar kata dimana teknik ini akan memotong kalimat menjadi n bagian. Penelitian ini akan membandingkan penggunaan N-Grams dimana nilai n 1 dan n 2. Kemudian digunakan pembobotan TF-IDF untuk menghitung frekuensi kemunculan atau bobot suatu kata dalam suatu dokumen dan terhadap seluruh dokumen. Algoritma klasifikasi yang digunakan adalah K-Nearest Neighbor dimana nilai k 1 dan menggunakan perhitungan jarak Cosine Similarity. Sebagai tahap pengujian digunakan Cross Validation sebanyak 6 putaran dimana 21 instance merupakan data uji dan 105 instances merupakan data latih. Berdasarkan hasil penelitian akurasi tertinggi didapatkan oleh skenario 2 tanpa menggunakan N-Grams yaitu sebesar 61.90% dan nilai F-Measure sebesar 62.84%.

Informasi Detail

DDC

Rs 005.1 RIF k

Prodi

Universitas Negeri Malang. Program Studi Teknik Informatika, 2019.

Deskripsi Fisik

xiii, 74 lembar: il., tab.; 30 cm.

Bahasa

Indonesia

No Reg

00633/KI/20

Edisi

Skripsi (Sarjana)--Universitas Negeri Malang. 2019

Subjek

1. ALGORITMA KOMPUTER
2. K-NEAREST NEIGHBORS
3. COMPUTER ALGORITHMS

Pembimbing

1. Aji Prasetya Wibawa; 2. Harits Ar Rosyid

Lampiran Berkas