UMM Institutional Repository

EKSTRAKSI INFORMASI DARI ABSTRAK JURNAL PENELITIAN BERBAHASA INDONESIA

Arifandi, Deni (2017) EKSTRAKSI INFORMASI DARI ABSTRAK JURNAL PENELITIAN BERBAHASA INDONESIA. Other thesis, University of Muhammadiyah Malang.

[img]
Preview
Text
jiptummpp-gdl-deniarifan-50391-1-pendahul-n.pdf

Download (1MB) | Preview
[img]
Preview
Text
jiptummpp-gdl-deniarifan-50391-2-babi.pdf

Download (335kB) | Preview
[img]
Preview
Text
jiptummpp-gdl-deniarifan-50391-3-babii.pdf

Download (640kB) | Preview
[img]
Preview
Text
jiptummpp-gdl-deniarifan-50391-4-babiii.pdf

Download (810kB) | Preview

Abstract

Banyaknya jurnal penelitian yang dihasilkan setiap tahunnya, menyebabkan pencarian atau pengambilan informasi tertentu dalam sebuah jurnal penelitian menjadi sangat sulit. Karenanya penulis dalam penelitian ini mengajukan sebuah sistem yang mampu mengekstraksi informasi tertentu dari sebuah jurnal penelitian berbahasa Indonesia. Informasi yang dimaksud adalah Task, Domain, dan Method pada abstraksi sebuah jurnal penelitian. Untuk mendapatkan 3 informasi tersebut secara otomatis, maka penelitian ini menggunakan pendekatan pembelajaran mesin, berjenis Ekstraksi Informasi berbasis klasifikasi. Pada penelitian ini penulis menggunakan 25 fitur, serta 4 Model Algoritma klasifikasi yang umum digunakan pada jurnal referensi tentang Ekstraksi Informasi berbasis klasifikasi, yaitu IBk(KNN), Naïve Bayes, SMO serta RandomForest. Pembuatan model dilakukan dengan menggunakan teknik klasifikasi token, dan ekstraksi fitur dilakukan menggunakan kakas NLP. Pengujian dilakukan dalam dua tahap, yaitu tahap pengujian model, dan tahap pengujian mesin klasifikasi. Pada pengujian model, Naïve bayes mendapatkan hasil akurasi terendah dengan 64.97%, kemudian SMO mendapatkan akurasi sebesar 89.24%, KNN sebesar 90,44%, dan hasil tertinggi didapatkan oleh Random Forest dengan 92.84%. Sedangkan Dalam pengujian mesin klasifikasi, akurasi model terbaik didapat ketika menggunakan model algoritma IBk dan SMO, dengan pengukuran akurasi 97.5%, kemudian 96.5% untuk RandomForest, dan terakhir 87.5% untuk NaïveBayes.

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 Jan 2018 12:03
Last Modified: 03 Jan 2018 12:03
URI : http://eprints.umm.ac.id/id/eprint/36143

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