Cover Image

KLASIFIKASI DOSEN PEMBIMBING TUGAS AKHIR DENGAN METODE SUPPORT VECTOR MACHINE (SVM)

Main Author: Arida, Lisa Noor
Format: Thesis NonPeerReviewed Book
Bahasa: eng
Terbitan: , 2016
Subjects:
T Technology (General)
Online Access: http://eprints.umm.ac.id/34215/1/jiptummpp-gdl-lisanoorar-44907-1-pendahul-n.pdf
http://eprints.umm.ac.id/34215/2/jiptummpp-gdl-lisanoorar-44907-2-babi.pdf
http://eprints.umm.ac.id/34215/
ctrlnum 34215
fullrecord <?xml version="1.0"?> <dc schemaLocation="http://www.openarchives.org/OAI/2.0/oai_dc/ http://www.openarchives.org/OAI/2.0/oai_dc.xsd"><relation>http://eprints.umm.ac.id/34215/</relation><title>KLASIFIKASI DOSEN PEMBIMBING TUGAS AKHIR DENGAN METODE SUPPORT VECTOR MACHINE (SVM)</title><creator>Arida, Lisa Noor</creator><subject>T Technology (General)</subject><description>Penentuan dosen pembimbing di Jurusan Teknik Informatika Universitas Muhammadiyah Malang masih dilakukan secara manual dengan mengandalkan pengetahuan pribadi tentang keahlian dosen yang dibutuhkan. Oleh karena itu dibutuhkan analisis tentang keahlian dosen yang sesuai dengan topik tugas akhir mahasiswa. Penelitian sebelumnya telah menerapkan metode Neural Network (ANN) untuk klasifikasi dosen pembimbing tugas akhir. Pada penelitian ini, metode klasifikasi dengan Support Vector Machine (SVM) akan digunakan untuk mengklasifikasi dosen pembimbing tugas akhir. Jenis SVM yang digunakan adalah multi class SVM one against one menggunakan kernel linear, polynomial, dan Radial Basis Function (RBF). Pengujian dilakukan dengan skenario menggunakan 2 metode processing data dan 2 macam parameter data. Metode preprocessing data pertama menggunakan stemming dan yang kedua dilakukan preprocessing data tanpa stemming. Selanjutnya, parameter data dibagi menjadi 2 macam. Pertama, parameter data yang digunakan adalah judul tugas akhir, abstrak dan keyword. Kedua, digunakan satu parameter data yaitu judul tugas akhir. Hasil pengujian dari perbandingan skenario dan ketiga kernel menunjukkan bahwa metode preprocessing data kedua dengan parameter judul tugas akhir, abstrak dan keyword menggunakan kernel polynomial dengan nilai cost (C) sama dengan 32 dan degree (d) sama dengan 2 menghasilkan performansi terbaik dengan rata-rata akurasi sebesar 28.10%, presisi sebesar 27.25%, recall sebesar 2.94%, f-measure sebesar 3.01%, dan running time 1.468 menit. Dari hasil pengujian ditunjukkan juga bahwa hasil akurasi, presisi, recall dan f-measure masing-masing skenario memberikan hasil yang belum signifikan pada setiap kernel sehingga dapat disimpukan bahwa pada penelitian tugas akhir ini, klasifikasi dosen pembimng tugas akhir dengan metode SVM belum dapat bekerja secara optimal.</description><date>2016-09-26</date><type>Thesis:Thesis</type><type>PeerReview:NonPeerReviewed</type><type>Book:Book</type><language>eng</language><identifier>http://eprints.umm.ac.id/34215/1/jiptummpp-gdl-lisanoorar-44907-1-pendahul-n.pdf</identifier><type>Book:Book</type><language>eng</language><identifier>http://eprints.umm.ac.id/34215/2/jiptummpp-gdl-lisanoorar-44907-2-babi.pdf</identifier><identifier> Arida, Lisa Noor (2016) KLASIFIKASI DOSEN PEMBIMBING TUGAS AKHIR DENGAN METODE SUPPORT VECTOR MACHINE (SVM). Other thesis, University of Muhammadiyah Malang. </identifier><recordID>34215</recordID></dc>
language eng
format Thesis:Thesis
Thesis
PeerReview:NonPeerReviewed
PeerReview
Book:Book
Book
author Arida, Lisa Noor
title KLASIFIKASI DOSEN PEMBIMBING TUGAS AKHIR DENGAN METODE SUPPORT VECTOR MACHINE (SVM)
publishDate 2016
topic T Technology (General)
url http://eprints.umm.ac.id/34215/1/jiptummpp-gdl-lisanoorar-44907-1-pendahul-n.pdf
http://eprints.umm.ac.id/34215/2/jiptummpp-gdl-lisanoorar-44907-2-babi.pdf
http://eprints.umm.ac.id/34215/
contents Penentuan dosen pembimbing di Jurusan Teknik Informatika Universitas Muhammadiyah Malang masih dilakukan secara manual dengan mengandalkan pengetahuan pribadi tentang keahlian dosen yang dibutuhkan. Oleh karena itu dibutuhkan analisis tentang keahlian dosen yang sesuai dengan topik tugas akhir mahasiswa. Penelitian sebelumnya telah menerapkan metode Neural Network (ANN) untuk klasifikasi dosen pembimbing tugas akhir. Pada penelitian ini, metode klasifikasi dengan Support Vector Machine (SVM) akan digunakan untuk mengklasifikasi dosen pembimbing tugas akhir. Jenis SVM yang digunakan adalah multi class SVM one against one menggunakan kernel linear, polynomial, dan Radial Basis Function (RBF). Pengujian dilakukan dengan skenario menggunakan 2 metode processing data dan 2 macam parameter data. Metode preprocessing data pertama menggunakan stemming dan yang kedua dilakukan preprocessing data tanpa stemming. Selanjutnya, parameter data dibagi menjadi 2 macam. Pertama, parameter data yang digunakan adalah judul tugas akhir, abstrak dan keyword. Kedua, digunakan satu parameter data yaitu judul tugas akhir. Hasil pengujian dari perbandingan skenario dan ketiga kernel menunjukkan bahwa metode preprocessing data kedua dengan parameter judul tugas akhir, abstrak dan keyword menggunakan kernel polynomial dengan nilai cost (C) sama dengan 32 dan degree (d) sama dengan 2 menghasilkan performansi terbaik dengan rata-rata akurasi sebesar 28.10%, presisi sebesar 27.25%, recall sebesar 2.94%, f-measure sebesar 3.01%, dan running time 1.468 menit. Dari hasil pengujian ditunjukkan juga bahwa hasil akurasi, presisi, recall dan f-measure masing-masing skenario memberikan hasil yang belum signifikan pada setiap kernel sehingga dapat disimpukan bahwa pada penelitian tugas akhir ini, klasifikasi dosen pembimng tugas akhir dengan metode SVM belum dapat bekerja secara optimal.
id IOS4109.34215
institution Universitas Muhammadiyah Malang
institution_id 136
institution_type library:university
library
library Perpustakaan Universitas Muhammadiyah Malang
library_id 546
collection UMM Institutional Repository
repository_id 4109
city MALANG
province JAWA TIMUR
repoId IOS4109
first_indexed 2017-03-21T02:49:34Z
last_indexed 2017-03-21T02:49:34Z
recordtype dc
_version_ 1675924402227642368
score 17.538404

Lihat Juga