Klasifikasi jurnal internasional menggunakan algoritma Particle Swarm Optimization - Support Vector Machine (PSO-SVM) / Youngga Rega Nugraha
| Main Author: | Nugraha, Youngga Rega |
|---|---|
| Format: | Thesis NonPeerReviewed |
| Terbitan: |
, 2019
|
| Online Access: |
http://repository.um.ac.id/99039/ |
Daftar Isi:
- RINGKASANNugrahaYounggaRega.2019.KlasifikasiJurnalInternasionalMenggunakanAlgoritmaParticleSwarmOptimizationSupportVectorMachine(PSO-SVM).Skripsi.JurusanTeknikElektroFakultasTeknikUniversitasNegeriMalang.Pembimbing.(I)AjiPrasetyaWibawaS.T.M.MT.Ph.D.(II)IlhamAriElbaithZaeniS.T.M.T.Ph.D.KatakunciSupportVectorMachineParticleSwarmOptimizationKlasifikasiSCImagoJournalRankKuartilJurnalJurnalinternasionalSCImagoJournalRank(SJR)bidangComputerScienceterdiridari18atributdenganjumlahinstancesebanyak7191.DataSJRtersebutmerupakandatayangdikembangkanolehScimagoLabdanbersumberdaridatabaseScopus.DaridatatersebutakandilakukanpendekatanperangkinganjurnalberdasarkanempatkelasyaitukelasQ1Q2Q3Q4danmencariatributmanayangdominansebagaiinputprosesklasifikasi.UntukmelakukanpendekatantersebutmakadiperlukanalgoritmaParticleSwarmOptimizationSupportVectorMachine(PSO-SVM).TahapanpenelitianpadaklasifikasijurnalinternasionalSCImagoJRbidangComputerScienceterdiribeberapatahapyaitupengambilandatasetSCImagoJournalRankbidangComputerSciencetahun2014-2017preprocessingdatapenerapanalgoritmaParticleSwarmOptimizationdandilanjutkanpenerapanklasifikasidenganSupportVectorMachine.PengumpulandatadilakukanpadawebsiteSJRbidangComputerSciencetahun2014-2017.Kemudianpadatahappreprocessingdatamelakukanpemilihanatributnormalisasidanresampling.SetelahitumenerapkanParticleSwarmOptimizationuntukmengoptimalkanparticlesebagiinputdaripengklasifikasian.ProsesklasifikasiuntukmengklasifikasidatatersebutmenggunakanSupportVectorMachine.PadatahapklasifikasialgoritmaSupportVectorMachinemenggunakanempatkernelyaituLinierPolynomialRadialBasisFunction(RBF)danSigmoid.Darikeempatkerneltersebutakandilakukanpengujianuntukmengetahuikinerjayanglebihbaik.BerdasarkanhasilpengujiantersebutpenelitianiniakanmembandingkankinerjaalgoritmaSVMdenganPSO-SVMyangdigunakanuntukmengklasifikasijurnalinternasional.TujuanperbandinganalgoritmaSVMdenganPSO-SVMtersebutuntukmengetahuialgoritmadengankinerjayanglebihbaik.Metodepengujianpadapenelitianinimenghasilkannilairata-rataaccuracyprecisiondanrecall.HasilpengujiantertinggidariPSO-SVMmenghasilkannilairata-rataaccuracy6312%precision6431%danrecall6312%padakernelLinier.SedangkanpengujiantertinggidariSVMmenghasilkannilairata-rataaccuracy6078%precision6178%danrecall6078%padakernelLinier.DarihasiltersebutterbuktibahwaPSOmampumeningkatkanaccuracydariSVM.