KLASIFIKASI TOPIK SKRIPSI BERDASARKAN ABSTRAK BERBASIS TEXT MINING MENGGUNAKAN ALGORITMA NAIVE BAYES CLASSIFIER
Total View This Week2
Total View This Week2
Institusion
STMIK Bumi Gora
Author
Wathan, Ahmad Islahul
Subject
TA Engineering (General). Civil engineering (General)
Datestamp
2021-03-03 07:10:51
Abstract :
Mahasiswa Universitas Bumigora meyelesaikan studi jenjang Strata 1 denga cara menyelesaikan tugas akhir yang disebut dengan skripsi. Kepala Program Studi S1 Ilmu Komputer menjelaskan bahwa ada masalah saat skripsi mahasiswa telah dikumpulkan, petugas tidak dapat mengelompokkan topik skripsi berdasarkan kompetensi dengan mudah untuk di upload pada repository kampus. Naïve Bayes Classifier adalah pengklasifikasian probalistik yang menghitung sekumpulan probabilitas berdasarkan dengan jumlah frekuensi dan kombinasi setiap nilai dari dataset yang diberikan. Dengan adanya Naïve Bayes Classifier ini, diharapkan dapat melakukan klasifikasi skripsi melalui abstraknya berdasarkan kompetensi sehingga Program Studi dapat mengklasifikasi topik skripsi dengan mudah saat metode ini diterapkan pada sebuah sistem. Jenis data yang digunakan adalah abstrak skripsi pada jenjang S1 Ilmu Komputer dengan kompetensi Rekayasa Perangkat Lunak, Jaringan Komputer, dan Multimedia. Ada 115 dataset abstrak yang digunakan 10 Fold menggunakan metode Cross Validation. Tahapan-tahapan dalam melakukan klasifikasi menggunakan Algoritma Naive Bayes Classifier antara lain, Preprocessing, pembobotan TF-IDF, klasifikasi Naive Bayes Classifier, dan pengujian menggunakan Classification Accuration, Precision, dan Recall. Hasil pada penelitian ini dengan menggunakan metode Cross Validation yang dibagi menjadi 10 Fold dengan nilai TF-IDF dapat dilakukan dengan masing-masing Tingkat Accuration, Precision, dan Recall hingga 76,44%, 82,43%, 73,43%. Dan klasifikasi tanpa menggunakan nilai TF-IDF masing-masing mendapatkan nilai Accuration, Precision, dan Recall hingga 89,54%, 90,97%, dan 91,83%. Adapun kesimpulannya adalah metode Naïve Bayes tanpa TF-IDF menghasikan performa yang lebih baik dibandingkan dengan TF-IDF. Kata-kata kunci : Abstrak Skripsi, Klasifikasi, Naïve bayes Classifier.
Mahasiswa Universitas Bumigora meyelesaikan studi jenjang Strata 1 denga cara menyelesaikan tugas akhir yang disebut dengan skripsi. Kepala Program Studi S1 Ilmu Komputer menjelaskan bahwa ada masalah saat skripsi mahasiswa telah dikumpulkan, petugas tidak dapat mengelompokkan topik skripsi berdasarkan kompetensi dengan mudah untuk di upload pada repository kampus. Naïve Bayes Classifier adalah pengklasifikasian probalistik yang menghitung sekumpulan probabilitas berdasarkan dengan jumlah frekuensi dan kombinasi setiap nilai dari dataset yang diberikan. Dengan adanya Naïve Bayes Classifier ini, diharapkan dapat melakukan klasifikasi skripsi melalui abstraknya berdasarkan kompetensi sehingga Program Studi dapat mengklasifikasi topik skripsi dengan mudah saat metode ini diterapkan pada sebuah sistem. Jenis data yang digunakan adalah abstrak skripsi pada jenjang S1 Ilmu Komputer dengan kompetensi Rekayasa Perangkat Lunak, Jaringan Komputer, dan Multimedia. Ada 115 dataset abstrak yang digunakan 10 Fold menggunakan metode Cross Validation. Tahapan-tahapan dalam melakukan klasifikasi menggunakan Algoritma Naive Bayes Classifier antara lain, Preprocessing, pembobotan TF-IDF, klasifikasi Naive Bayes Classifier, dan pengujian menggunakan Classification Accuration, Precision, dan Recall. Hasil pada penelitian ini dengan menggunakan metode Cross Validation yang dibagi menjadi 10 Fold dengan nilai TF-IDF dapat dilakukan dengan masing-masing Tingkat Accuration, Precision, dan Recall hingga 76,44%, 82,43%, 73,43%. Dan klasifikasi tanpa menggunakan nilai TF-IDF masing-masing mendapatkan nilai Accuration, Precision, dan Recall hingga 89,54%, 90,97%, dan 91,83%. Adapun kesimpulannya adalah metode Naïve Bayes tanpa TF-IDF menghasikan performa yang lebih baik dibandingkan dengan TF-IDF. Kata-kata kunci : Abstrak Skripsi, Klasifikasi, Naïve bayes Classifier.
Download
book
BibTex
Latex, Jabref
cloud_download
Original Resource
url resource Institution
