PENERAPAN ALGORITMA MULTICLASS SUPPORT VECTOR MACHINE DAN TF-IDF UNTUK KLASIFIKASI TOPIK TUGAS AKHIR
Abstract
Dalam penyelesaian jenjang strata atau diploma, mahasiswa harus melewati tahap akhir yaitu penyelesaian tugas akhir. Dengan banyaknya mahasiswa yang mengajukan tugas akhir, proses pengarsipan dokumen tugas akhir berdasarkan topik membutuhkan klasifikasi yang dilakukan oleh Perpustakaan Universitas. Klasifikasi topik tugas akhir secara manual dapat menghambat proses lain yang harus diselesaikan oleh staff perpustakaan. Oleh karena itu, diperlukan adanya klasifikasi dokumen tugas akhir secara otomatis, cepat dan akurat untuk klasifikasi topik tugas akhir. Penelitian ini memanfaatkan pembobotan TF-IDF serta pendekatan algoritma Multiclass Support Vector Machine. Pembobotan TF-IDF ini merupakan formula yang merepresentasikan signifikansi suatu kata (term) dalam sebuah dokumen dan korpus. Pemobotan yang sudah dihitung dengan TF-IDF, kemudian menghitung hasil prediksi bobot menggunakan Support Vector Machine. Dikarenakan Support Vector Machine hanya bisa menentukan 2 kelas, diperlukannya metode one against rest dalam algoritma support vector machine untuk menentukan lebih dari 2 kelas. Penelitian ini bertujuan untuk membuat sistem yang dapat mengelompokkan topik tugas akhir secara otomatis, cepat dan akurat untuk pengarsipan tugas akhir di Perpustakaan. Hasil dari perhitungan pengujian dengan data latih dan data uji menggunakan pembobotan TF-IDF dan algoritma multiclass support vector machine menghasilkan persentase sebesar 90.71%.
Downloads
References
[2] M. Sari, “Penelitian Kepustakaan (Library Research) dalam Penelitian Pendidikan IPA,” NATURAL SCIENCE: Jurnal Penelitian Bidang IPA dan Pendidikan IPA, vol. 6, no. 1, pp. 41–53, 2020.
[3] N. Arifin, U. Enri, dan N. Sulistiyowati, “Penerapan Algoritma Support Vector Machine (SVM) dengan TF-IDF N-Gram untuk Text Classification,” STRING (Satuan Tulisan Ris. dan Inov. Teknol., vol. 6, no. 2, pp. 129-136, 2021.
[4] A. Rahman Isnain, A. Indra Sakti, D. Alita, dan N. Satya Marga, “Sentimen Analisis Publik Terhadap Kebijakan Lockdown Pemerintah Jakarta Menggunakan Algoritma Svm,” Jdmsi, vol. 2, no. 1, pp. 31–37, 2021.
[5] N. Andriani dan A. Wibowo, “Implementasi Text Mining Klasifikasi Topik Tugas Akhir Mahasiswa Teknik Informatika Menggunakan Pembobotan TF-IDF dan Metode Cosine Similarity Berbasis Web,” Prosiding Seminar Nasional. Mahasiswa Ilmu Komputer dan Aplikasinya, vol. 2, no. 2, September 2021, pp. 130–137.
[6] M. B. Priyantono, M. Ahnan, M. A. Widhianto, dan D. D. Prasetyo, “Optimasi Sistem Pelabelan Topik Skripsi menggunakan Algoritma Naive Bayes dengan Pendekatan Design Thinking,” J. Edukasi Penelit. Inform., vol. 8, no. 1, pp. 168–174, 2022.
[7] H. Sari, G. L. Ginting, dan T. Zebua, “Penerapan Algoritma Text Mining dan TF-IDF Untuk Pengelompokan Topik Skripsi Pada Aplikasi Repository STMIK Budi Darma,” Terap. Inform. Nusant., vol. 2, no. 7, pp. 414–432, 2021.
[8] F. S. Jumeilah, “Penerapan Support Vector Machine (SVM) untuk Pengkategorian Penelitian,” J. RESTI (Rekayasa Sist. dan Teknol. Informasi), vol. 1, no. 1, pp. 19–25, 2017.
[9] D. Darwis, E. S. Pratiwi, dan A. F. O. Pasaribu, “Penerapan Algoritma Svm Untuk Analisis Sentimen Pada Data Twitter Komisi Pemberantasan Korupsi Republik Indonesia,” Edutic - Sci. J. Informatics Educ., vol. 7, no. 1, pp. 1–11, 2020
[10] O. Somantri, S. Wiyono, dan D. Dairoh, “Metode K-Means untuk Optimasi Klasifikasi Tema Tugas Akhir Mahasiswa Menggunakan Support Vector Machine (SVM),” Sci. J. Informatics, vol. 3, no. 1, pp. 34–45, 2016.