Skripsi

Klasifikasi jurnal internasional menggunakan algoritma Particle Swarm Optimization - Support Vector Machine (PSO-SVM) / Youngga Rega Nugraha

Abstrak
RINGKASAN Nugraha Youngga Rega. 2019. Klasifikasi Jurnal Internasional Menggunakan Algoritma Particle Swarm Optimization Support Vector Machine (PSO-SVM). Skripsi. Jurusan Teknik Elektro Fakultas Teknik Universitas Negeri Malang. Pembimbing. (I) Aji Prasetya Wibawa S.T. M.MT. Ph.D. (II) Ilham Ari Elbaith Zaeni S.T. M.T. Ph.D. Kata kunci Support Vector Machine Particle Swarm Optimization Klasifikasi SCImago Journal Rank Kuartil Jurnal Jurnal internasional SCImago Journal Rank (SJR) bidang Computer Science terdiri dari 18 atribut dengan jumlah instance sebanyak 7191. Data SJR tersebut merupakan data yang dikembangkan oleh Scimago Lab dan bersumber dari database Scopus. Dari data tersebut akan dilakukan pendekatan perangkingan jurnal berdasarkan empat kelas yaitu kelas Q1 Q2 Q3 Q4 dan mencari atribut mana yang dominan sebagai input proses klasifikasi. Untuk melakukan pendekatan tersebut maka diperlukan algoritma Particle Swarm Optimization Support Vector Machine (PSO-SVM). Tahapan penelitian pada klasifikasi jurnal internasional SCImago JR bidang Computer Science terdiri beberapa tahap yaitu pengambilan dataset SCImago Journal Rank bidang Computer Science tahun 2014-2017 preprocessing data penerapan algoritma Particle Swarm Optimization dan dilanjutkan penerapan klasifikasi dengan Support Vector Machine. Pengumpulan data dilakukan pada website SJR bidang Computer Science tahun 2014-2017. Kemudian pada tahap preprocessing data melakukan pemilihan atribut normalisasi dan resampling. Setelah itu menerapkan Particle Swarm Optimization untuk mengoptimalkan particle sebagi input dari pengklasifikasian. Proses klasifikasi untuk mengklasifikasi data tersebut menggunakan Support Vector Machine. Pada tahap klasifikasi algoritma Support Vector Machine menggunakan empat kernel yaitu Linier Polynomial Radial Basis Function (RBF) dan Sigmoid. Dari keempat kernel tersebut akan dilakukan pengujian untuk mengetahui kinerja yang lebih baik. Berdasarkan hasil pengujian tersebut penelitian ini akan membandingkan kinerja algoritma SVM dengan PSO-SVM yang digunakan untuk mengklasifikasi jurnal internasional. Tujuan perbandingan algoritma SVM dengan PSO-SVM tersebut untuk mengetahui algoritma dengan kinerja yang lebih baik. Metode pengujian pada penelitian ini menghasilkan nilai rata-rata accuracy precision dan recall. Hasil pengujian tertinggi dari PSO-SVM menghasilkan nilai rata-rata accuracy 63 12% precision 64 31% dan recall 63 12% pada kernel Linier. Sedangkan pengujian tertinggi dari SVM menghasilkan nilai rata-rata accuracy 60 78% precision 61 78% dan recall 60 78% pada kernel Linier. Dari hasil tersebut terbukti bahwa PSO mampu meningkatkan accuracy dari SVM.

Informasi Detail

DDC

Rs 005.1 NUG k

Prodi

Universitas Negeri Malang. Program Studi Teknik Informatika, 2019.

Deskripsi Fisik

xii, 64 lembar: ill., tab.; 30 cm

Bahasa

Indonesia

No Reg

06050/KI/19

Edisi

Skripsi (Sarjana)--Universitas Negeri Malang. 2019

Subjek

1. ALGORITMA KOMPUTER
2. PARTICLE SWARM OPTIMIZATION
3. COMPUTER ALGORITHMS

Pembimbing

1. Aji Prasetya Wibawa; 2. Ilham Ari Elbaith Zaeni

Lampiran Berkas