UMM Institutional Repository

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

Arida, Lisa Noor (2016) KLASIFIKASI DOSEN PEMBIMBING TUGAS AKHIR DENGAN METODE SUPPORT VECTOR MACHINE (SVM). Other thesis, University of Muhammadiyah Malang.

[img]
Preview
Text
jiptummpp-gdl-lisanoorar-44907-1-pendahul-n.pdf

Download (1MB) | Preview
[img]
Preview
Text
jiptummpp-gdl-lisanoorar-44907-2-babi.pdf

Download (378kB) | Preview

Abstract

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.

Item Type: Thesis (Other)
Subjects: T Technology > T Technology (General)
Divisions: Faculty of Engineering > Department of Informatics (55201)
Depositing User: Ida Fitriani Noor
Date Deposited: 03 Nov 2016 04:01
Last Modified: 03 Nov 2016 04:01
URI : http://eprints.umm.ac.id/id/eprint/34215

Actions (login required)

View Item View Item
UMM Official

© 2008 UMM Library. All Rights Reserved.
Jl. Raya Tlogomas No 246 Malang East Java Indonesia - Phone +62341464318 ext. 150, 151 - Fax +62341464101
E-Mail : infopus[at]umm.ac.id - Website : http://lib.umm.ac.id - Online Catalog : http://laser.umm.ac.id - Repository : http://eprints.umm.ac.id

Web Analytics

UMM Institutional Repository is powered by :
EPrints Logo