Klasifikasi beban baca lexile levels menggunakan metode k-means clustering dan random forest / Moch. Rajendra Yudhistira
| Main Author: | Yudhistira, Moch. Rajendra |
|---|---|
| Format: | Thesis NonPeerReviewed |
| Terbitan: |
, 2019
|
| Online Access: |
http://repository.um.ac.id/152111/ |
Daftar Isi:
- RINGKASANYudhistiraMochRajendra.2019.KlasifikasiBebanBacaLexileLevelsMenggunakanMetodeK-MeansClusteringdanRandomForest.SkripsiProgramstudiS1TeknikInformatikaJurusanElektroFakultasTeknikUniversitasNegeriMalang.PembimbingUtomoPujiantoS.Kom.M.Kom.danHaritsArRosyidS.T.MT.Ph.D.KeywordsKlasifikasiTeksLexileLevelsClusteringK-MeansRandomForestAdaberbagaimacamcarauntukmeningkatkankualitaspendidikanseseorangsalahsatunyaadalahmembaca.Denganmembacawawasandanpengetahuanatasberbagaimacamhaldapatbertambah.Akantetapikemampuandanpemahamanseseorangakansuatubacaanberbeda-beda.Halinidapatmenjadimasalahbagipembacaapabilamembacabahanbacaanyangmelebihikemampuanpemahamannya.OlehkarenaituperludilakukanpenentuanbebanbahanbacaanyakniLexileLevels.LexileLevelsadalahsuatunilaiyangmemberikanukurankompleksitasbahanbacaanmaupunkemampuanbacaseseorang.NamunsayangnyarumusyangdigunakandanlayananyangdiberikandalamLexileLevelstidaklahdibukasecaraumum.Sehinggamengharuskanpenggunadiharuskanberlanggananuntukdapatmenggunakannya.Olehkarenaitudalampenelitianiniakandilakukandengantujuanuntukmembuatsuatusistemyangdapatmengelompokkanartikelberdasarkanbebanbaca.DengandemikianbahanbacaanakandiklasifikasikanberdasarkanLexileLevels-nya.PadaLexileLevelsakandilakukanclusteringuntukmengelompokkannyamenggunakanmetodek-meansclustering.Penelitianiniakandilakukandalam8skenarioyaknikombinasiklaster2kelasyaitumudahdansusahserta3kelasyaitumudahsusahdannormalpenyeimbangankelasdenganSMOTEdanpemilihanatributdenganGini-index.SetelahpreprocessingbahanbacaanakandiklasifikasikanbebanbacanyamenggunakanmetodeRandomForest.Metodek-meansdipilihkarenametodeinimemilikiproseskomputasiyangsederhanasehinggaprosesnyacepat.SedangkanRandomForestmerupakanmetodepembangundecisiontreeyangmampumembangunbeberapadecisiontreekemudianmemilihyangterbaik.Hasildaripenelitianinimenunjukkanbahwapadaskenariopercobaanyangmenggunakan2klasterdilakukanoversamplingdenganSMOTEdanpemilihanatributdenganGini-indexmenghasilkanhasilyangcukupbaikdengantingkatakurasisebesar76.03%presisisebesar76.05%danrecallsebesar81.85%.Sedangkanpadaskenariopercobaandengan3klasterskenarioterbaikadapadaoversamplingdenganSMOTEdantanpapemilihanatributdenganakurasisebesar69.60%presisisebesar69.62%danrecallsebesar73.41%.