Kinerja metode backpropagation neural network untuk klasifikasi objektivitas berita online / Firdausi Nuzula
| Main Author: | Nuzula, Firdausi |
|---|---|
| Format: | Thesis NonPeerReviewed |
| Terbitan: |
, 2019
|
| Online Access: |
http://repository.um.ac.id/99020/ |
Daftar Isi:
- RINGKASANNuzulaFirdausi.2019.KinerjaMetodeBackpropagationNeuralNetworkUntukKlasifikasiObjektivitasBeritaOnline.SkripsiJurusanTeknikElektroFakultasTeknikUniversitasNegeriMalang.Pembimbing(I)Dr.Eng.SitiSendariS.T.M.T.(II)UtomoPujiantoS.Kom.M.Kom.KataKunciKlasifikasiObjektivitasBeritaOnlineBackpropagationNeuralNetwork.Beritaonlineumumnyadisajikansecaraobjektif.Namunpenulisanteksmenunjukkanbahwakata-katayangmembawapersepsipembacacenderungsubyektifatauobyektif.SelainituDewanPersmenyatakanbahwaobjektivitasdanakurasiberitasebagaiverifikasiuntukkelayakanmedia.Sehinggauntukmengatasimasalahinidiperlukansuatuaplikasiyangdapatmengklasifikasikansesuaidenganisiberita.Penelitianinibertujuanuntukmenganalisiskinerjaklasifikasiobyektifitasberitadariwww.kompas.commenjadikelassubjektifatauobjektif.MetodeyangdigunakanpadapenelitianiniadalahBackpropagationNeuralNetwork(BNN)denganmelatihjaringansyaraftiruan(JST)multilayer(inputhiddenoutput)dalampengklasifikasian.Namunkarenavalidasidatamemberikanklasifikasidatayangtidakseimbang(imbalanceclass)sehinggadiatasidenganoversamplingyaituSMOTE.SyntheticMinorityOversamplingTechnique(SMOTE)adalahsalahsatuteknikoversamplingyangmampumenyeimbangkandistribusidatakelasminoritas.SebelummelakukanklasifikasiBNNterdapatbeberapatahappreprocessingdatadengancaralabelingcleaningcasefoldingtokenizingfilteringwindowingdannormalisasidatauntukmenyesuaikandatasesuaikebutuhanmetodeBNN.KinerjametodeBNNdiukurberdasarkanparameterhiddenlayerlearningratedantrainingcyclesyangterbaikdenganmengklasifikasikandataaslidenganhasilSMOTE.Pengujiandatasebanyak10kalipengujianmemilikinilairata-rataakurasikeseluruhansebesar5613%danpersentaseketepatanakurasirata-ratasebesar9988%sedangkanevaluasimenggunakannilaiMSE(MeanSquareError)danConfusionMatrix.MSEdigunakansebagaiparameterdalampelatihanyangdidapatkandarirata-ratakuadraterrordibagidenganjumlahdatarecord.Sedangkanconfusionmatrixmenghasilkankinerjaklasifikasidenganakurasisebesar5330%precissionsebesar6226%recallsebesar2558%dengannilaiMSE008denganmetodeBNNhasilpengujianlebihrendahdaripadasaattrainingdata.BerdasarkanhasilevaluasitersebutmenunjukkanbahwakinerjametodeBNNkurangoptimaldikarenakanperbedaanpenggunaandatajugadataseimbanghasilSMOTEtidakselaludapatmengoptimasiperformaklasifikasi.