IMPLEMENTASI K-NEAREST NEIGHBOR DENGAN COSINE SIMILARITY UNTUK KLASIFIKASI ABSTRAK JURNAL INTERNASIONAL ILMU KOMPUTER

Ulva Fatma Fadhila, - (2018) IMPLEMENTASI K-NEAREST NEIGHBOR DENGAN COSINE SIMILARITY UNTUK KLASIFIKASI ABSTRAK JURNAL INTERNASIONAL ILMU KOMPUTER. S1 thesis, Universitas Pendidikan Indonesia.

[img] Text
S_KOM_1400893_Title.pdf

Download (195kB)
[img] Text
S_KOM_1400893_Abstract.pdf

Download (387kB)
[img] Text
S_KOM_1400893_Table_of_Contents.pdf

Download (506kB)
[img] Text
S_KOM_1400893_Chapter1.pdf

Download (150kB)
[img] Text
S_KOM_1400893_Chapter2.pdf
Restricted to Staf Perpustakaan

Download (1MB)
[img] Text
S_KOM_1400893_Chapter3.pdf

Download (441kB)
[img] Text
S_KOM_1400893_Chapter4.pdf
Restricted to Staf Perpustakaan

Download (1MB)
[img] Text
S_KOM_1400893_Chapter5.pdf

Download (289kB)
[img] Text
S_KOM_1400893_Bibliography.pdf

Download (291kB)
[img] Text
S_KOM_1400893_Appendix.pdf
Restricted to Staf Perpustakaan

Download (814kB)
Official URL: http://repository.upi.edu

Abstract

Penyebaran jurnal internasional atau artikel ilmiah sebagai bahan penunjang penelitian semakin meningkat. Hal tersebut membuat jumlah dokumen jurnal yang tersedia bertambah sehingga mempersulit pencarian dan penyajian jurnal. Diperlukan teknik pengolahan teks yang dapat mengkategorikan dokumen teks dalam jumlah besar sesuai dengan jenisnya, sehingga informasi yang tersedia dapat terorganisasi dengan baik dan mudah di akses sesuai dengan kebutuhan pengguna. Salah satu pemecahan masalah dalam pengkategorian dokumen teks dapat diselesaikan dengan menggunakan metode text mining yaitu klasifikasi. Penelitian ini menggunakan algoritma klasifikasi K-Nearest Neighbor dengan cosine similarity untuk mengkategorikan dokumen jurnal yang maksimal. Secara garis besar penelitian ini melakukan empat tahapan. Tahapan awal merupakan proses preprocessing data yang terdiri dari case folding, character removal, tokenisasi dan stopword removal. Tahapan kedua melakukan pembobotan TF-IDF pada setiap term dan melakukan splitting dataset yang berjumlah 450 jurnal untuk pembagian data training dan data testing. Metode splitting data yang digunakan yaitu holdout method dan 10 fold cross validation. Tahapan ketiga melakukan pemodelan klasifikasi menggunakan cosine similarity dan K-Nearest Neighbor dengan nilai k yang digunakan yaitu 3,6,7,9. Terdapat 3 kategori abstrak diantaranya Computer and Education, Compurter and Security dan Computer in Human Behavior. Tahapan terakhir melakukan analisis terhadap hasil dari klasifikasi yang dilakukan. Hasil menunjukan metode 10 fold cross validation mampu memberikan hasil yang lebih baik pada k=9 dengan nilai presisi 80,18% recall 51,11% dan f1-measure 62,42%.;---The spread of international journals or scientific articles as research supporting material is increasing. This makes the number of available journal documents make it more difficult to find and present journals. Text processing techniques are needed that can categorize large amounts of text documents according to their type, the information available can be accessed properly and easily accessed according to user needs. One of the problem solving in categorizing text documents can be solved by using text mining method that is classification. This research uses the K-Nearest Neighbor classification algorithm with cosine similarity to categorize the maximum journal document. In general, this research conducted four stages. The initial stage is a process of preprocessing data consisting of case folding, character removal, tokenizing and stopword removal. The second stage performs TF-IDF weighting on each term and splits a dataset of 450 journals for data sharing training and data testing. Splitting method used is the data holdout method and 10 fold cross validation. The third stage is modeling the classification using cosine similarity and K-Nearest Neighbor with the value of k used is 3,6,7,9. There are 3 abstract categories including Computer and Education, Computer and Security and Computer in Human Behavior. The last stage of analyzing the results of the classification performed. The result shows 10 fold cross validation method can give better result at k = 9 with precision value 80,18% recall 51,11% and f1-measure 62,42%.

Item Type: Tugas Akhir,Skripsi,Tesis,Disertasi (S1)
Additional Information: No. Panggil : S KOM ULV i-2018; Pembimbing : I. Muhammad Nursalan, II. Jajang Kusnendar; NIM. : 1400893.
Uncontrolled Keywords: klasifikasi, k-nearest neighbor, cosine similarity, holdout method, 10 fold cross validation, classification, k-nearest neighbor, cosine similarity, holdout method, 10 fold cross validation.
Subjects: Q Science > QA Mathematics > QA75 Electronic computers. Computer science
Z Bibliography. Library Science. Information Resources > ZA Information resources > ZA4050 Electronic information resources
Divisions: Fakultas Pendidikan Matematika dan Ilmu Pengetahuan Alam > Program Studi Pendidikan Ilmu Komputer
Depositing User: Isma Anggini Saktiani
Date Deposited: 27 Jan 2020 03:18
Last Modified: 27 Jan 2020 03:18
URI: http://repository.upi.edu/id/eprint/45411

Actions (login required)

View Item View Item