Skripsi

Penerapan metode support vector machine untuk klasifikasi artikel jurnal pendidikan guru sekolah dasar / Ninon Oktaviani Irawan

Abstrak
v RINGKASAN Irawan Ninon Oktaviani. 2019. Penerapan Metode Support Vector Machine untuk Klasifikasi Artikel Jurnal Pendidikan Guru Sekolah Dasar. Skripsi. Jurusan Teknik Elektro Fakultas Teknik Universitas Negeri Malang. Pembimbing. (I) Ilham Ari Elbaith Zaeni S.T. M.T. Ph.D. (II) Utomo Pujianto S.Kom. M.Kom. Keywords Klasifikasi teks Support Vector Machine (SVM) sampling Synthetic Minority Over-Sampling (SMOTE) Meningkatnya kebutuhkan akan artikel jurnal seharusnya didukung dengan hasil pencarian artikel jurnal yang relevan. Pada umumnya pencarian menggunakan kata-kata yang kurang spesifik akan menyebabkan hasil pencarian artikel jurnal yang tidak relevan dan lama. Sehingga penyajian dengan kategori topik tertentu diperlukan dalam mengelompokkan artikel jurnal. Salah satunya pencarian artikel jurnal Pendidikan Guru Sekolah Dasar (PGSD) yang terkait mata pelajaran tertentu diharapkan dapat memberikan hasil yang relevan dan cepat. Dari masalah tersebut dengan memberikan label atau kategori berdasarkan kelompok mata pelajaran akan sangat membantu dalam pencarian artikel. Standar Kompetensi Kelompok Mata Pelajaran (SKKMP) yang tercantum dalam UU Nomor 23 Tahun 2006 dapat digunakan dalam mengkategorikan artikel jurnal PGSD. Sehingga diperlukan suatu metode untuk mengklasifikasikan artikel jurnal secara otomatis dan efisien. Metode yang sesuai untuk menyelesaikan masalah ini yaitu metode klasifikasi teks. Salah satu metode untuk melakukan klasifikasi dokumen yang popular yaitu Support Vector Machine (SVM). Masalah dalam klasifikasi yang sering dihadapi yaitu kelas data yang tidak seimbang. Untuk mengatasi hal tersebut dapat dilakukan dengan metode Synthetic Minority Over-Sampling Technique (SMOTE). Berdasarkan masalah tersebut penelitian ini akan membandingkan metode SVM tanpa menggunakan SMOTE dan SVM dengan menggunakan SMOTE untuk mengklasifikasi artikel jurnal Pendidikan Guru Sekolah Dasar. Perbandingan kedua metode bertujuan untuk mengetahui metode dengan kinerja yang lebih baik. Metode pengujian yang digunakan pada penelitian ini menghasilkan tiga output berupa precision recall dan accuracy. Hasil dari perbandingan pada penelitian ini membuktikan bahwa SMOTE mampu meningkatkan accuracy dari Support Vector Machine. Metode Support Vector Machine dengan SMOTE memiliki nilai accuracy sebesar 92 81%. Sedangkan metode Support Vector Machine tanpa SMOTE memiliki nilai accuracy sebesar 80 56%.

Informasi Detail

DDC

Rs 005.1 IRA p

Prodi

Universitas Negeri Malang. Program Studi Teknik Informatika, 2019.

Deskripsi Fisik

xiii, 99 lembar: ill., tab.; 30 cm

Bahasa

Indonesia

No Reg

02957/KI/19

Edisi

Skripsi (Sarjana)--Universitas Negeri Malang. 2019

Subjek

1. ALGORITMA KOMPUTER
2. SUPPORT VECTOR MACHINE
3. COMPUTER ALGORITHMS

Pembimbing

1. Ilham Ari Elbaith Zaeni; 2. Utomo Pujianto

Lampiran Berkas