ANALISIS PERBANDINGAN IMPLEMENTASI KERNEL PADA LIBRARY LibSVM UNTUK KLASIFIKASI SENTIMEN MENGGUNAKAN WEKA
|
|
- Bambang Tanuwidjaja
- 6 tahun lalu
- Tontonan:
Transkripsi
1 ANALISIS PERBANDINGAN IMPLEMENTASI KERNEL PADA LIBRARY LibSVM UNTUK KLASIFIKASI SENTIMEN MENGGUNAKAN WEKA Prawidya Destarianto 1, Wahyu Kurnia Dewanto 2, Hermawan Arief Putranto 3 1,2,3 Jurusan, Teknologi Informasi, Politeknik Negeri Jember Jl Mastrip PO Box prawidyadestarianto@gmail.com, 2 wahyu@polije.ac.id, 3 hermawan_arief_putranto@yahoo.com Abstrak Analisis sentimen merupakan salah satu cabang ilmu yang mengalami perkembangan sangat pesat dalam sepuluh tahun terakhir. Sejak diperkenalkannya metode machine learning untuk analisis sentimen, banyak algoritma klasifikasi yang mulai digunakan untuk mengelompokkan sentimen ke dalam kategori tertentu, diantaranya adalah Support Vector Machine (SVM). LibSVM adalah sebuah library khusus untuk Support Vector Machine yang mempermudah penerapannya dalam aplikasi sedangkan WEKA adalah sebuah aplikasi yang dikembangkan oleh Waikato University sebagai alat bantu dalam pembelajaran mesin (machine learning). Secara sederhana, model klasifikasi yang dihasilkan adalah sebuah fungsi hyperplane yang terbaik untuk merepresentasikan bidang pemisah dari sebaran data pelatihan. Dalam pencarian fungsi hyperplane tersebut digunakan trik kernel untuk mengatasi permasalahan linier dan non linier. Masing-masing kernel digunakan untuk permasalahan yang berbeda, namun yang menjadi pertanyaan adalah untuk analisis sentimen, dimana datanya berupa data tekstual, kernel manakah yang paling baik digunakan apabila kita ingin mendapatkan nilai akurasi yang paling tinggi. Penggunaan kernel Radial Basis Function memiliki nilai akurasi yang paling tinggi, yaitu sebesar 80.30%. Untuk pemilihan parameter terbaik, algoritma Grid Search menunjukkan penginkatan nilai akurasi dari 52.23% menjadi 69.48% pada kernel polynomial. Kata kunci : Analisis Sentimen, LibSVM, WEKA, Machine Learning, Kernel, Grid Search 1. Pendahuluan Analisis sentimen merupakan salah satu cabang ilmu yang mengalami perkembangan sangat pesat dalam sepuluh tahun terakhir. Cabang ilmu yang mempelajari tentang pengolahan data tekstual untuk mempelajari makna atau informasi yang tersirat didalamnya ini semakin popular karena banyaknya media sosial dan aplikasi microblogging di internet. Hal ini membawa khasanah baru dalam pemrosesan data tekstual, yakni penggunaan Machine Learning yang menjadi bagian analisis sentimen. Sejak diperkenalkannya metode machine learning untuk analisis sentimen, banyak algoritma klasifikasi yang mulai digunakan untuk mengelompokkan sentimen ke dalam kategori tertentu, diantaranya adalah Suport Vector Machine (SVM). SVM adalah metode Machine Learning yang bekerja atas prinsip Structural Risk Minimization (SRM) dengan tujuan menemukan hyperplane terbaik yang memisahkan dua buah kelas pada input space [4]. Dalam penelitiannya tentang klasifikasi sentimen untuk pesan berbahasa indonesia pada sosial media, penulis membandingkan dua algoritma klasifikasi yaitu Maximum Entropy (ME) dan Supporrt Vector Machine (SVM). Hasilnya adalah SVM memiliki nilai akurasi yang lebih tinggi yaitu 86,66% dibandingkan ME yang memiliki nilai akurasi 80% [3]. Selain itu didapatkan bukti bahwa metode klasifiksi yang digunakan juga tergantung kepada kamus kata yang digunakan, sehingga realibilitas dari kamus yang digunakan harus dijaga. Dalam penelitian lain tentang komparasi algoritma klasifikasi pada review film [1], juga menemukan bahwa SVM memiliki nilai akurasi yang paling tinggi yaitu 81,10%, bila dibandingkan dengan algoritma klasifikasi yang lain, Naive Bayes sebesar 74,00% dan Artificial Neural Network sebesar 51,80%. LibSVM adalah sebuah library khusus untuk Support Vector Machine yang dikembangkan sejak tahun 2000 untuk membantu user atau peneliti lain agar dengan mudah dapat menerapkan SVM ke aplikasi yang mereka kembangkan [2]. Penggunaan LIBSVM secara umum melibatkan dua langkah. Langkah yang pertama, melatih kumpulan data untuk mendapatkan model klasifikasi dan langkah kedua, menggunakan model klasifikasi tersebut untuk memprediksi informasi dari kumpulan data uji 62
2 yang baru. Secara sederhana, model klasifikasi yang dihasilkan adalah sebuah fungsi hyperplane yang terbaik untuk merepresentasikan bidang pemisah dari sebaran data pelatihan. Dalam pencarian fungsi hyperplane tersebut digunakan trik kernel untuk mengatasi permasalahan linier dan non linier. Ada enpat kernel yang disediakan oleh LibSVM yaitu, kernel Linier, kernel Polynomial, kernel Radial Basis Function dan kernel Sigmoid. Masing-masing kernel digunakan untuk permasalahan yang berbeda, namun yang menjadi pertanyaan adalah untuk analisis sentimen, dimana datanya berupa data tekstual, kernel manakah yang paling baik digunakan apabila kita ingin mendapatkan nilai akurasi yang paling tinggi. Dalam analisis sentiment, data tekstual dikelompokkan menjadi dua kelas yaitu positif dan negative. Namun yang menjadi permasalahan adalah dalam prosesnya, data tekstual dipecah menjadi ribuan fitur yang harus dipetakan. Dalam penelitiannya tentang analisis penggunaan Phrase Detection terhadap akurasi klasifikasi sentiment menggunkan SVM, penulis menggunakan kernel linier karena data dikaslifikasikan kedalam dua kelas, yaitu kelas positif dan negative [5]. Namun dalam penelitian tersebut, digunakan Phrase Detection untuk mengurangi fitur dalam preprocessing text, sehingga untuk data tekstual tanpa proses pengurangan fitur, belum diketahui secara pasti kernel terbaik yang digunakan. Fokus pada penelitian ini adalah untuk merancang sebuah sistem yang dapat memberikan hasil klasifikasi berupa tingkat akurasi dari proses klasifikasi menggunakan empat kernel yang berbeda sehingga didapatkan perbedaan tingkat akurasi yang berbeda sesuai dengan kernel yang digunakan. Cara yang ditawarkan adalah dengan menggunakan library LibSVM dan software machine learning Weka menggunakan empat parameter kernel yang berbeda untuk data yang sama. 2. Rumusan Masalah Berdasarkan uraian sebelumnya, dapat dibuat sebuah rumusan dari permasalahan yang ada pada penelitian ini; yaitu bagaimana menerapkan library LibSVM kedalam software Weka agar bisa digunakan dalam proses klasifikasi, kemudian bagaimana menerapkan parameter kernel yang berbeda pada data yang sama dan yang terakhir adalah bagaimana cara mendapatkan nilai akurasi untuk masing-masing proses klasifikasi sebagai representasi keberhasilan penerapan kernel tersebut. 3. Metodologi 3.1 LibSVM LIBSVM adalah perangkat lunak terpadu yang digunakan untuk mendukung klasifikasi vektor dan sudah mendukung klasifikasi multi kelas. LibSVM adalah software sederhana, mudah digunakan, dan efisien untuk klasifikasi SVM dan regresi. LibSVM juga mampu memecahkan klasifikasi CSVM, nusvm klasifikasi, oneclass SVM, regresi epsilonsvm, dan regresi nusvm. LibSVM juga menyediakan alat seleksi model otomatis untuk klasifikasi CSVM. LibSVM adalah sebuah library khusus untuk Support Vector Machine yang dikembangkan sejak tahun 2000 untuk membantu user atau peneliti lain agar dengan mudah dapat menerapkan SVM ke aplikasi yang mereka kembangkan. 3.2 WEKA WEKA adalah sebuah aplikasi yang dikembangkan oleh Waikato University sebagai alat bantu dalam pembelajaran mesin (machine learning) yang dimaksudkan untuk mempermudah penerapan teknik pembelajaran mesin ke berbagai masalah yang ada dalam dunia nyata, khususnya dalam penelitian ini adalah pembelajaran mesin yang berhubungan dengan sentimen analisis dan klasifikasi sentimen. Pembelajaran yang ada dalam WEKA meliputi visualisasi hasil, manipulasi data, hubungan antar basisdata, cross-validation, dan perbandingan set aturan untuk melengkapi penelitian yang berhubungan dengan pembelajaran mesin dasar. Selain itu, WEKA menyediakan lingkungan untuk keperluan klasifikasi, regresi, clustering, dan fitur seleksi. Untuk mengintegrasikan LibSVM degan WEKA, perlu ditambahkan package LibSVM kedalam environtmen WEKA dengan cara menginstalnya. Sehingga kita bisa mengubah parameter perhitungan untuk klasifikasi dengan LibSVM, termasuk didalamnya pengaturan kernel yang ingin digunakan. Selain itu, WEKA juga menyediakan fitur untuk validasi data dan hasil klasifikasi, sehingga semua proses mulai dari pengolahan data, proses klasifikasi dan validasi hasil penelitian dapat dilakukan dengan environment WEKA. 3.3 Persiapan Data Data yang digunakan dalam penelitian ini berupa data review film yang sudah dikelompokkan kedalam kelas positif dan kelas negatif. Data tersebut didapatkan dari database film IMDb, yang terdiri dari 700 data review positif dan 700 data review negatif. Data ini dikembangkan oleh Pang dan Lee sejak tahun 2002 dan sudah digunakan dalam berbagai penelitian tentang analisis sentimen. Setiap data yang akan masuk kedalam proses klasifikasi akan mengalami preprocessing. Preprocessing data ini berupa tokenisasi, yaitu pemotongan kalimat menjadi kata pembentuknya, menghilangkan tanda baca dan huruf atau simbol yang bukan bagian dari kata dan case-folding, yaitu mengubah huruf kapital menjadi huruf kecil. Setelah 63
3 itu kata-kata tadi mengalami proses Stopword Removal untuk menghilangkan kata-kata yang sering muncul dalam kalimat seperti kata penghubung dan kata ganti orang. Preproses yang terakhir adalah pembuatan peta vector dari tiap dokumen dengan cara pembobotan. Pembobotan yang digunakan adalah pembobotan TF-IDF yang menghitung bobot tiap kata berdasarkan tingkat kemunculannya, semakin sering kata tersebut muncul, maka semakin kecil pula bobotnya. 3.4 Cross Validation Cross-validation adalah metode statistik yang mengevaluasi dan membandingkan algoritma pembelajaran dengan membagi data menjadi dua, yaitu data training dan data testing. Perkembangan model dari cross validation adalah k-fold cross validation [6]. Metode k-fold cross validation yang sering dipakai adalah 3-fold cross validation dan 5-fold cross validation. Dalam k-fold crossvalidation, pertama harus ditentukan nilai folds atau partisi yang digunakan untuk membagi data. Prinsip dari k-fold cross validation adalah membagi tiap kelompok data menjadi k bagian kelompok data yang selanjutnya data tersebut secara bergantian akan digunakan untuk training dan testing sejumlah k pengujian. Misalkan untuk 3-fold cross validation data dibagi menjadi 3 bagian. Setiap bagian akan digunakan untuk training dan testing secara bergantian. Dua dari tiga data digunakan untuk training dan satu dari tiga data untuk testing yang dilakukan secara berulang sebanyak tiga kali sampai semua bagian digunakan untuk testing [7]. Jika bagian data pertama dan kedua digunakan untuk training maka bagian data ketiga digunakan untuk testing. Jika data bagian pertama dan ketiga digunakan untuk training, data kedua digunakan untuk testing. Jika data bagian kedua dan ketiga untuk training maka data bagian pertama untuk testing. 4. Hasil dan Pembahasan 4.1 Grid Search Grid Search adalah sebuah algoritma untuk mencari parameter yang paling tepat pada proses pembelajaran mesin. Dalam LibSVM ada beberapa parameter yaitu gamma, coefø dan C, yang dapat diubah agar didapatkan model klasifikasi yang paling optimal. Algoritma Grid Search digunakan untuk mendapatkan nilai parameter gamma (G) terbaik yang menghasilkan model klasifikasi terbaik pada proses training untuk tiap kernel. Model yang didapatkan kemudian digunakan pada proses testing, yang mana dalam penelitian ini proses training dan testing serta validasi berada pada proses Cross Validation. Dalam penelitian ini proses klasifikasi dilakukan dengan dua tahap. Tahap pertama parameter yang dimasukkan adalah parameter default dari WEKA, sedangkan tahap kedua parameter dicari menggunakan algoritma Grid Search untuk menemukan nilai gamma terbaik untuk tiap kernel. Nilai k yang digunakan dalam proses k- fold cross validation adalah 3. Pada proses klasifikasi didapatkan sebuah matriks konfusi, yang berisi jumlah artikel yang diklasifikasikan dengan benar dan jumlah artikel yang diklasifikasikan dengan salah. Apabila artikel dengan sentimen positif diklasifikasikan kedalam kelas positif, maka disebut sebagai True Positif (TP). Apabila artikel dengan sentimen positif diklasifikasikan kedalam kelas negatif, maka disebut False Negative (FN). Begitu juga sebaliknya, bila artikel dengan sentimen negatif dikelompokkan kedalam kelas negatif akaan disebut True Negative (TN), dan artikel bersentimen negatif yang dikelompokkan ke dalam kelas positif disebut False Positive (FP). 4.2 Hasil Klasifikasi Kernel Linier Seperti yang sudah dijelaskan sebelumnya, hasil dari proses klasifikasi ini berupa matriks konfusi yang berisi jumlah artikel yang berhasil atau gagal dikelompokkan kedalam kelasnya. Matriks konfusi dari proses klasifikasi menggunakan kernel linier dengan default parameter ditunjukkan pada Persamaan (1), sedangkan matriks konfusi dari proses klasifikasi menggunakan kernel linier dengan parameter dari grid search ditunjukkan pada Persamaan (2) (1) (2) dirangkum pada Tabel 1 dan Tabel 2. Tabel 1. Nilai Precission, Recall, F-Measure, ROC kernel linier dengan default parameter. Precission Recall F-Measure ROC Akurasi 75.61% 64
4 Tabel 2. Nilai Precission, Recall, F-Measure, ROC kernel linier dengan Grid Search parameter. Precission Recall F-Measure ROC Akurasi 75.61% Dari Tabel 1 dan Tabel 2 dapat diketahui untuk proses klasifikasi menggunakan kernel linier, nilai akurasi yang didapatkan dengan menggunakan default parameter dan grid search parameter adalah sama, yaitu sebesar %. 4.3 Hasil Klasifikasi Kernel Polynomial menggunakan kernel polynomial dengan default parameter ditunjukkan pada Persamaan (3), menggunakan kernel polynomial dengan parameter dari grid search ditunjukkan pada Persamaan (4). Pada proses klasifikasi menggunakan kernel polynomial, hasil yang lebih baik ditunjukkan pada proses klasifikasi dengan Grid Search parameter yang mana ditunjukkan dengan nilai akurasi sebesar 69,48 % dibandingkan dengan 52,23%. 4.4 Hasil Klasifikasi Kernel Radial Basis Function menggunakan kernel radial basis function dengan default parameter ditunjukkan pada Persamaan (5) menggunakan kernel radial basis function dengan parameter dari grid search ditunjukkan pada Persamaan (6) (5) (6) (3) (4) dirangkum pada Tabel 3 dan Tabel 4. Tabel 3. Nilai Precission, Recall, F-Measure, ROC kernel polynomial dengan default parameter. Precission Recall F-Measure ROC Akurasi % Tabel 4. Nilai Precission, Recall, F-Measure, ROC kernel polynomial dengan Grid Search parameter. Precission Recall F-Measure ROC Akurasi % dirangkum pada Tabel 5 dan Tabel 6. Tabel 5. Nilai Precission, Recall, F-Measure, ROC kernel radial basis function dengan default parameter. Precission Recall F-Measure ROC Akurasi % Tabel 6. Nilai Precission, Recall, F-Measure, ROC kernel radial basis function dengan Grid Search parameter. Precission Recall F-Measure ROC Akurasi % Pada proses klasifikasi menggunkan kernel radial basis function, nilai akurasi yang lebih baik justru didapatkan pada penggunaan default parameter, yaitu sebesar 80.30% dibandingkan 71.57%. 65
5 4.5 Hasil Klasifikasi Kernel Sigmoid menggunakan kernel sigmoid dengan default parameter ditunjukkan pada Persamaan (7), menggunakan kernel sigmoid dengan parameter dari grid search ditunjukkan pada Persamaan (8). (7) (8) dirangkum pada Tabel 7 dan Tabel 8. Tabel 7. Nilai Precission, Recall, F-Measure, ROC kernel sigmoid dengan default parameter. Precission Recall F-Measure ROC Akurasi % Tabel 8. Nilai Precission, Recall, F-Measure, ROC kernel sigmoid dengan Grid Search parameter. Precission Recall F-Measure ROC Akurasi % Pada proses klasifikasi menggunakan kernel sigmoid, hasil terbaik didapatkan menggunakan default parameter, yaitu sebesar 78.93% dibandingkan %. Walaupun selisih nilai akurasi tersebut tidak signifikan, namun bisa dilihat dari matriks konfusi bahwa jumlah artikel yang dapat dikaslifikasikan dengan benar lebih banyak pada proses klasifikasi dengan default parameter. 5. Penutup Secara umum, penggunaan kernel radial basis function memiliki nilai akurasi yang paling tinggi, yaitu sebesar 80.30%. Nilai akurasi tersebut didapatkan pada proses klasifikasi menggunakan default parameter. Untuk niilai akurasi yang paling rendah didapatkan dari proses klasifikasi 66 menggunakan kernel polynomial dengan default parameter, yaitu sebesar 52.23%. Hal ini menunjukkan bahwa walaupun digunakan untuk proses klasifikasi dengan dua kelas, kernel radial basis function memiliki performa yang cukup baik. Untuk pemilihan parameter terbaik, algoritma Grid Search memberikan performa yang cukup baik. Hal ini ditunjukkan pada proses klasifikasi menggunakan kernel polynomial, yang menunjukkan penginkatan nilai akurasi dari 52.23% menjadi 69.48%. Namun untuk proses klasifikasi dengan kernel radial basisi function dan kernel sigmoid, parameter yang dihasilkan dari algoritma Grid Search justru menunjukkan penurunan nilai akurasi, dari 80.30% menjadi 71.57% untuk kernel radial basis function dan 78.93% menjadi 78.13%. Hal ini kemungkinan disebabkan karena ada beberapa parameter lain yang ada pada kedua kernel tersebut yang masih perlu di-optimalisasi. 6. Daftar Pustaka: Chandani, V., Wahono, R., & Purwanto. (2015). Komparasi Algoritma Klasifikasi Machine Learning Dan Feature Selection pada Analisis Sentimen. Journal of Intelligent System, 1(1). Hsu, C.-W., Chang, C.-C., & Lin, C.-J. (2016). A Practical Guide to Support Vector Classification. Taipei 106, Taiwan: Department of Computer Science. Naradhipa, A. R., & Purwarianti, A. (2011). Sentiment Classification for Indonesian Message in Social Media International Conference on Electrical Engineering and Informatics. Bandung, Indonesia. Nugroho, A., Witarto, A., & Handoko, D. (2003). Application of Support vector Machine in Bioinformatic. Proceeding of Indonesian Scientific Meeting. Gifu, Japan. Putranto, H. A., Setyawati, O., & Wijono. (2016). Pengaruh Phrase Detection dengan POS- Tagger terhadap Akurasi Klasifikasi Sentimen menggunakan SVM. Jurnal Nasional Teknik Elektro dan Teknologi Informasi, 5(4), Refaeilzadeh, P., Tang, L., & Liu, H. (2009). Crossvalidation. Encyclopedia of Database Systems, Witten, I., Frank, E., & Hall, M. (2011). Data Mining: Practical Machine Learning Tools and Techniques, Third Edition (Morgan Kaufmann Series in Data Management Systems). Burlington, MA: Morgan Kaufmann.
BAB III METODE PENELITIAN
BAB III METODE PENELITIAN 3.1. Metode Pengumpulan Data Data yang digunakan pada penelitian ini merupakan data sentimen dari pengguna aplikasi android yang memberikan komentarnya pada fasilitas user review
Lebih terperinciBAB I PENDAHULUAN.
BAB I PENDAHULUAN 1.1. Latar Belakang Saat ini smartphone telah berevolusi menjadi komputer pribadi kecil dan portabel yang memungkinkan pengguna untuk melakukan penjelajahan internet, mengirim e-mail
Lebih terperinciUKDW BAB 1 PENDAHULUAN. 1.1 Latar Belakang
BAB 1 PENDAHULUAN 1.1 Latar Belakang Tinjauan atau review seseorang yang ditujukan kepada suatu objek atau produk sangat berpengaruh terhadap penilaian publik atas produk tersebut (Sahoo, 2013). Review
Lebih terperinciBAB I PENDAHULUAN 1.1 Latar Belakang
BAB I PENDAHULUAN 1.1 Latar Belakang Saat ini, microblogging menjadi sangat popular untuk alat komunikasi antara pengguna internet. Setiap hari jutaan pesan muncul di website penyedia microblogging diantaranya
Lebih terperinciANALISIS SENTIMEN PADA TWITTER TERHADAP JASA TRANSPORTASI ONLINE DI INDONESIA DENGAN METODE SUPPORT VECTOR MECHINE
DRAFT JURNAL ANALISIS SENTIMEN PADA TWITTER TERHADAP JASA TRANSPORTASI ONLINE DI INDONESIA DENGAN METODE SUPPORT VECTOR MECHINE SENTIMENT ANALYSIS FOR TWITTER ABOUT ONLINE INDONESIAN TRANSPORTATION WITH
Lebih terperinciBAB I PENDAHULUAN 1.1 Latar Belakang
BAB I PENDAHULUAN 1.1 Latar Belakang Meningkatnya perkembangan teknologi juga diikuti dengan berkembangnya penggunaan berbagai situs jejaring sosial. Salah satu jejaring sosial yang sangat marak digunakan
Lebih terperinciBAB II LANDASAN TEORI
BAB II LANDASAN TEORI 2.1 Data Mining Data Mining adalah proses yang mempekerjakan satu atau lebih teknik pembelajaran komputer (machine learning) untuk menganalisis dan mengekstraksi pengetahuan (knowledge)
Lebih terperinciLAPORAN TUGAS AKHIR. Disusun oleh: Franky
LAPORAN TUGAS AKHIR Analisis Sentimen Menggunakan Metode Naive Bayes, Maximum Entropy, dan Support Vector Machine pada Dokumen Berbahasa Inggris dan Dokumen Berbahasa Indonesia Hasil Penerjemahan Otomatis
Lebih terperinciBAB I PENDAHULUAN. untuk bisa mengeluarkan pendapat dan ekspresi secara bebas. Itu artinya perusahaan
1 BAB I PENDAHULUAN 1.1 Latar Belakang Pesatnya perkembangan media sosial menawarkan pengguna kesempatan untuk bisa mengeluarkan pendapat dan ekspresi secara bebas. Itu artinya perusahaan tidak lagi memiliki
Lebih terperinciBAB IV METODOLOGI PENELITIAN. Penelitian ini dilakukan dengan melalui empat tahap utama, dimana
BAB IV METODOLOGI PENELITIAN Penelitian ini dilakukan dengan melalui empat tahap utama, dimana tahap pertama adalah proses pengumpulan dokumen teks yang akan digunakan data training dan data testing. Kemudian
Lebih terperinciBAB I PENDAHULUAN 1.1 Latar Belakang
BAB I PENDAHULUAN 1.1 Latar Belakang Menurut Liu opini merupakan pernyataan subyektif yang mencerminkan sentimen orang atau persepsi tentang entitas dan peristiwa [1]. Opini atau pendapat orang lain terhadap
Lebih terperinciUKDW 1. BAB 1 PENDAHULUAN Latar Belakang Masalah
1. BAB 1 PENDAHULUAN 1.1. Latar Belakang Masalah Universitas yang baik dan terpercaya selalu memperhatikan perkembangan dan kondisi yang terjadi di universitas tersebut, salah satunya dengan memantau kinerja
Lebih terperinciHASIL DAN PEMBAHASAN
10 HASIL DAN PEMBAHASAN Pengumpulan Dokumen Tahapan awal yang dilakukan dalam penelitian adalah mengolah dokumen XML yang akan menjadi korpus. Terdapat 21578 dokumen berita yang terdiri atas 135 topik.
Lebih terperinciAnalisis Sentimen pada Twitter untuk Mengenai Penggunaan Transportasi Umum Darat Dalam Kota dengan Metode Support Vector Machine
Analisis Sentimen pada Twitter untuk Mengenai Penggunaan Transportasi Umum Darat Dalam Kota dengan Metode Support Vector Machine Anita Novantirani 1, Mira Kania Sabariah S.T., M.T 2, Veronikha Effendy,
Lebih terperinciKLASIFIKASI WILAYAH DESA-PERDESAAN DAN DESA-PERKOTAAN WILAYAH KABUPATEN SEMARANG DENGAN SUPPORT VECTOR MACHINE (SVM)
KLASIFIKASI WILAYAH DESA-PERDESAAN DAN DESA-PERKOTAAN WILAYAH KABUPATEN SEMARANG DENGAN SUPPORT VECTOR MACHINE (SVM) SKRIPSI Disusun Oleh : MEKAR SEKAR SARI NIM. 24010210120008 JURUSAN STATISTIKA FAKULTAS
Lebih terperinciIMPLEMENTASI TWITTER SENTIMENT ANALYSIS UNTUK REVIEW FILM MENGGUNAKAN ALGORITMA SUPPORT VECTOR MACHINE
Jurnal Informatika Polinema ISSN: 2407-070X IMPLEMENTASI TWITTER SENTIMENT ANALYSIS UNTUK REVIEW FILM MENGGUNAKAN ALGORITMA SUPPORT VECTOR MACHINE Faisal Rahutomo 1, Pramana Yoga Saputra 2, Miftahul Agtamas
Lebih terperinciBAB I. Pendahuluan. 1. Latar Belakang Masalah
BAB I Pendahuluan 1. Latar Belakang Masalah Semakin canggihnya teknologi di bidang komputasi dan telekomunikasi pada masa kini, membuat informasi dapat dengan mudah didapatkan oleh banyak orang. Kemudahan
Lebih terperinciBAB III METODELOGI PENELITIAN
BAB III METODELOGI PENELITIAN 3.1 Metode Penelitian Metode penelitian yang digunakan yaitu metode eksperimental dimana metode ini bekerja dengan memanipulasi dan melakukan kontrol pada objek penelitian
Lebih terperinciPRESENTASI TUGAS AKHIR KI PERANCANGAN DAN PEMBANGUNAN MODUL REKOMENDASI SECTION PADA OPEN JOURNAL SYSTEM (OJS)
PRESENTASI TUGAS AKHIR KI091391 PERANCANGAN DAN PEMBANGUNAN MODUL REKOMENDASI SECTION PADA OPEN JOURNAL SYSTEM (OJS) (Kata kunci: Jurnal, K-Nearest Neighbor, Karya Ilmiah, Klasifikasi Penyusun Tugas Akhir
Lebih terperinciBandung, Indonesia Bandung, Indonesia
ISSN : 2355-9365 e-proceeding of Engineering : Vol.2, No.2 Agustus 2015 Page 6353 Analisis dan Implementasi Pengklasifikasian Pesan Singkat pada Penyaringan SMS Spam Menggunakan Algoritma Multinomial Naïve
Lebih terperinciKLASIFIKASI PENERIMA PROGRAM BERAS MISKIN (RASKIN) DI KABUPATEN WONOSOBO DENGAN METODE SUPPORT VECTOR MACHINE MENGGUNAKAN LibSVM SKRIPSI
KLASIFIKASI PENERIMA PROGRAM BERAS MISKIN (RASKIN) DI KABUPATEN WONOSOBO DENGAN METODE SUPPORT VECTOR MACHINE MENGGUNAKAN LibSVM SKRIPSI Oleh : YOGI SETIYO PAMUJI 24010211130053 JURUSAN STATISTIKA FAKULTAS
Lebih terperinciUKDW. 1.1 Latar Belakang BAB 1 PENDAHULUAN
BAB 1 PENDAHULUAN 1.1 Latar Belakang Perkembangan teknologi komputer yang pesat pada masa kini menjadi perhatian utama bagi manusia. Kemajuan teknologi komputer yang pesat ini menimbulkan bermacam-macam
Lebih terperinciBAB II DASAR TEORI. Pada bab ini akan dibahas teori-teori pendukung yang digunakan sebagai acuan dalam merancang algoritma.
BAB II DASAR TEORI Pada bab ini akan dibahas teori-teori pendukung yang digunakan sebagai acuan dalam merancang algoritma. 2.1. Microsoft Visual Studio Microsoft Visual Studio adalah sebuah software yang
Lebih terperinciBAB 1 PENDAHULUAN Latar Belakang
BAB 1 PENDAHULUAN Bab ini akan menjelaskan latar belakang dari penelitian yang memberikan gambaran awal mengenai analisis sentimen dan perannya dalam perkembangan teknologi informasi. Tujuan dan ruang
Lebih terperinciBAB III METODOLOGI. Support Vector Machines (SVM) merupakan salah satu metode machine
BAB III METODOLOGI 3.1 Hipotesis Support Vector Machines (SVM) merupakan salah satu metode machine learning yang dapat melakukan klasifikasi data dengan sangat baik. Metode ini bertujuan untuk mendapatkan
Lebih terperinciPENGENALAN HURUF TULISAN TANGAN MENGGUNAKAN METODE ZONING DAN SUPPORT VECTOR MACHINE
PENGENALAN HURUF TULISAN TANGAN MENGGUNAKAN METODE ZONING DAN SUPPORT VECTOR MACHINE Christyawan Ridanto Pitoyo, Tjut Awaliyah Zuraiyah, Arie Qur ania Email : christyawan.ridanto@gmail.com Program Studi
Lebih terperinciPerbandingan Klasifikasi Tugas Akhir Mahasiswa Jurusan Teknik Informatika Menggunakan Metode Naïve Bayes Classifier dan K-Nearest Neighbor
Perbandingan Klasifikasi Tugas Akhir Mahasiswa Jurusan Teknik Informatika Menggunakan Metode Naïve Bayes Classifier dan K-Nearest Neighbor Yusra 1, Dhita Olivita 2, Yelfi Vitriani 3 1,2,3 Jurusan Teknik
Lebih terperinciPENERAPAN ADABOOST UNTUK KLASIFIKASI SUPPORT VECTOR MACHINE GUNA MENINGKATKAN AKURASI PADA DIAGNOSA CHRONIC KIDNEY DISEASE
PENERAPAN ADABOOST UNTUK KLASIFIKASI SUPPORT VECTOR MACHINE GUNA MENINGKATKAN AKURASI PADA DIAGNOSA CHRONIC KIDNEY DISEASE Eka Listiana 1*, Much Aziz Muslim 1 1 Program Studi Teknik Informatika, Fakultas
Lebih terperinciUji Perbandingan Akurasi Analisis Sentimen Pariwisata menggunakan Algoritma Support Vektor Machine dan Naive Bayes
Uji Perbandingan Akurasi Analisis Sentimen Pariwisata menggunakan Algoritma Support Vektor Machine dan Naive Bayes Tesis Diajukan kepada Fakultas Teknologi Informasi Untuk Memperoleh Gelar Master of Computer
Lebih terperinciPENERAPAN DECISION TREE UNTUK PENENTUAN POLA DATA PENERIMAAN MAHASISWA BARU
PENERAPAN DECISION TREE UNTUK PENENTUAN POLA DATA PENERIMAAN MAHASISWA BARU Aradea, Satriyo A., Ariyan Z., Yuliana A. Teknik Informatika Universitas Siliwangi Tasikmalaya Ilmu Komputer Universitas Diponegoro
Lebih terperinciBAB I PENDAHULUAN. 1.1 Latar Belakang
BAB I PENDAHULUAN 1.1 Latar Belakang Opini adalah pendapat pribadi yang tidak obyektif dan tidak melalui proses verifikasi (Quirk et al., 1985). Opini orang lain tentang suatu hal menjadi penting dalam
Lebih terperinciAnalisis Algoritma Decision Tree untuk Prediksi Mahasiswa Non Aktif
Analisis Algoritma Decision Tree untuk Prediksi Mahasiswa Non Aktif Khafiizh Hastuti 1, Erwin Yudi Hidayat 2 1, 2 Fakultas Ilmu Komputer, Universitas Dian Nuswantoro, Semarang 50131 E-mail : 1 afis@dsn.dinus.ac.id,
Lebih terperinciBAB II TINJAUAN PUSTAKA
BAB II TINJAUAN PUSTAKA 2.1. Penelitian Terkait 2.1.1. Implementasi Opinion Mining Pernah dilakukan penelitian tentang opinion mining membahas tentang ekstraksi data opini publik pada perguruan tinggi.
Lebih terperinciANALISIS SENTIMEN DATA KRITIK DAN SARAN PELATIHAN APLIKASI TEKNOLOGI INFORMASI (PATI) MENGGUNAKAN ALGORITMA SUPPORT VECTOR MACHINE
ANALISIS SENTIMEN DATA KRITIK DAN SARAN PELATIHAN APLIKASI TEKNOLOGI INFORMASI (PATI) MENGGUNAKAN ALGORITMA SUPPORT VECTOR MACHINE LAPORAN TUGAS AKHIR Diajukan untuk Memenuhi Persyaratan Guna Meraih Gelar
Lebih terperinciISSN : e-proceeding of Engineering : Vol.4, No.3 Desember 2017 Page 5014
ISSN : 2355-9365 e-proceeding of Engineering : Vol.4, No.3 Desember 2017 Page 5014 Klasifikasi Informasi, Anjuran dan Larangan pada Hadits Shahih Bukhari menggunakan Metode Support Vector Machine. Andina
Lebih terperinciKLASIFIKASI NASABAH ASURANSI JIWA MENGGUNAKAN ALGORITMA NAIVE BAYES BERBASIS BACKWARD ELIMINATION
KLASIFIKASI NASABAH ASURANSI JIWA MENGGUNAKAN ALGORITMA NAIVE BAYES BERBASIS BACKWARD ELIMINATION Betrisandi betris.sin@gmail.com Universitas Ichsan Gorontalo Abstrak Pendapatan untuk perusahaan asuransi
Lebih terperinciBAB V EKSPERIMEN TEXT CLASSIFICATION
BAB V EKSPERIMEN TEXT CLASSIFICATION Pada bab ini akan dibahas eksperimen untuk membandingkan akurasi hasil text classification dengan menggunakan algoritma Naïve Bayes dan SVM dengan berbagai pendekatan
Lebih terperinciStemming pada Preprocessing Twit Berbahasa Indonesia dengan Mengimplementasikan Algoritma Fonetik Soundex untuk Proses Klasifikasi
Stemming pada Preprocessing Twit Berbahasa Indonesia dengan Mengimplementasikan Algoritma Fonetik Soundex untuk Proses Klasifikasi Stemming in Indonesian Language Twit Preprocessing Implementing Phonetic
Lebih terperinciBAB III ANALISIS DAN PENYELESAIAN MASALAH
BAB III ANALISIS DAN PENYELESAIAN MASALAH 3.1 Deskripsi Sistem Gambar III-1 Deskripsi Umum Sistem Pada gambar III-1 dapat dilihat deskripsi sistem sederhana yang mendeteksi intrusi pada jaringan menggunakan
Lebih terperinciBAB I PENDAHULUAN 1.1. Latar Belakang
BAB I PENDAHULUAN 1.1. Latar Belakang Dalam mencapai tujuan pembangunan ekonomi diperlukan peran serta lembaga keuangan untuk membiayai pembangunan tersebut. Lembaga keuangan memegang peranan penting dalam
Lebih terperinciANALISIS KLASIFIKASI SENTIMEN LEVEL ASPEK MENGGUNAKAN PENDEKATAN PEMBELAJARAN SUPERVISED
ISSN : 2355-9365 e-proceeding of Engineering : Vol.3, No.2 Agustus 2016 Page 3654 ANALISIS KLASIFIKASI SENTIMEN LEVEL ASPEK MENGGUNAKAN PENDEKATAN PEMBELAJARAN SUPERVISED ASPECT LEVEL SENTIMENT CLASSIFICATION
Lebih terperinciBAB III ANALISA DAN PERANCANGAN SISTEM
3.1 Persiapan Data BAB III ANALISA DAN PERANCANGAN SISTEM Dalam pengerjaan tugas akhir ini data yang digunakan adalah kalimat tanya Berbahasa Indonesia, dimana kalimat tanya tersebut diambil dari soal-soal
Lebih terperinciPENERAPAN TEKNIK DATA MINING UNTUK MENENTUKAN HASIL SELEKSI MASUK SMAN 1 GIBEBER UNTUK SISWA BARU MENGGUNAKAN DECISION TREE
PENERAPAN TEKNIK DATA MINING UNTUK MENENTUKAN HASIL SELEKSI MASUK SMAN 1 GIBEBER UNTUK SISWA BARU MENGGUNAKAN DECISION TREE Castaka Agus Sugianto Program Studi Teknik lnformatika Politeknik TEDC Bandung
Lebih terperinciPENERAPAN ALGORITMA C5.0 DALAM PENGKLASIFIKASIAN DATA MAHASISWA UNIVERSITAS NEGERI GORONTALO
PENERAPAN ALGORITMA C5.0 DALAM PENGKLASIFIKASIAN DATA MAHASISWA UNIVERSITAS NEGERI GORONTALO Wandira Irene, Mukhlisulfatih Latief, Lillyan Hadjaratie Program Studi S1 Sistem Informasi / Teknik Informatika
Lebih terperinciBAB II LANDASAN TEORI
2.1 Studi Literatur BAB II LANDASAN TEORI Penelitian yang berkaitan dengan klasifikasi kalimat tanya berdasarkan Taksonomi Bloom telah dilakukan oleh Selvia Ferdiana Kusuma dengan menggunakan algoritma
Lebih terperinciMoch. Ali Machmudi 1) 1) Stmik Bina Patria
UJI PENGARUH KARAKTERISTIK DATASET PADA PERFORMA ALGORITMA KLASIFIKASI Moch. Ali Machmudi 1) 1) Stmik Bina Patria 1) Jurusan Manjemen Informatika-D3 Email : 1 aliadhinata@gmail.com 1) Abstrak Tujuan utama
Lebih terperinciBAB I PENDAHULUAN. 1.1 Latar Belakang
BAB I PENDAHULUAN 1.1 Latar Belakang Pendidikan adalah salah satu aspek terpenting bagi kehidupan manusia, yang dapat mempengaruhi manusia itu sendiri, juga menjadi faktor pendukung dalam setiap sektor
Lebih terperinciBAB IV HASIL DAN PEMBAHASAN
BAB IV HASIL DAN PEMBAHASAN 4.1 Hasil Penelitian 4.1.1 Support Vector Machines (SVM) Setelah melalui proses training dan testing dengan metode Support Vector Machines (SVM), diperoleh hasil yang tertera
Lebih terperinciBAB III METODOLOGI PENELITIAN
BAB III METODOLOGI PENELITIAN 1.1. Rancangan Penelitian Rancangan penelitian adalah rencana dan struktur penyelidikan yang disusun sedemikian rupa sehingga penelitian akan memperoleh jawaban untuk pertanyaan-pertanyaan
Lebih terperinci1. BAB I PENDAHULUAN 1.1 Latar Belakang
1. BAB I PENDAHULUAN 1.1 Latar Belakang Saat ini dunia telah memasuki era dimana masyarakat dapat secara bebas menyuarakan pendapat mereka di berbagai media, salah satunya melalui media sosial. Masyarakat
Lebih terperinciBAB I PENDAHULUAN. 1.1 Latar Belakang
BAB I PENDAHULUAN Bab ini berisikan tentang alasan peneliti mengambil permasalahan ini. Pada bab ini poin-poin yang akan dipaparkan antara lain Latar Belakang, Perumusan Masalah, Batasan Masalah, Tujuan
Lebih terperinciAnalisis Sentimen Menggunakan Support Vector Machine dan Maximum Entropy. Sentiment Analysis Using Support Vector Machine and Maximum Entropy Method
ISSN : 2355-9365 e-proceeding of Engineering : Vol.4, No.2 Agustus 2017 Page 2389 Abstrak Analisis Sentimen Menggunakan Support Vector Machine dan Maximum Entropy Sentiment Analysis Using Support Vector
Lebih terperinciIMPLEMENTASI TEKNIK SELEKSI FITUR INFORMATION GAIN PADA ALGORITMA KLASIFIKASI MACHINE LEARNING UNTUK PREDIKSI PERFORMA AKADEMIK SISWA
IMPLEMENTASI TEKNIK SELEKSI FITUR INFORMATION GAIN PADA ALGORITMA KLASIFIKASI MACHINE LEARNING UNTUK PREDIKSI PERFORMA AKADEMIK SISWA Betha Nurina Sari 1) 1) Informatika, Fakultas Ilmu Komputer, Universitas
Lebih terperinciBAB II TINJAUAN PUSTAKA
BAB II TINJAUAN PUSTAKA Penelitian terdahulu sangat penting bagi penulis untuk mengetahui referensi dan hubungan antara penelitian terdahulu dengan penelitian yang dilakukan saat ini, sehingga hal duplikasi
Lebih terperinciBAB III METODOLOGI PENELITIAN. Dataset
BAB III METODOLOGI PENELITIAN Metodologi penelitian diuraikan dalam skema tahap penelitian untuk memberikan petunjuk atau gambaran yang jelas, teratur, dan sistematis seperti yang ditunjukkan pada Gambar
Lebih terperinciPREDIKSI KEBANGKRUTAN PERUSAHAAN MENGGUNAKAN ALGORITMA C4.5 BERBASIS FORWARD SELECTION
PREDIKSI KEBANGKRUTAN PERUSAHAAN MENGGUNAKAN ALGORITMA C4.5 BERBASIS FORWARD SELECTION Hamsir Saleh Hamsir.saleh@gmail.com Fakultas Ilmu Komputer Universitas Ichsan Gorontalo Abstrak Memprediksi kebangkrutan
Lebih terperinciKomparasi Algoritma Support Vector Machine, Naïve Bayes Dan C4.5 Untuk Klasifikasi SMS
Vol.2 No.2, November 2017, pp. 7~13 ISSN: 2527-449X E-ISSN: 2549-7421 7 Komparasi Algoritma Support Machine, Naïve Dan C4.5 Untuk Klasifikasi SMS Retno Sari STMIK Nusa Mandiri e-mail: bee.retno@gmail.com
Lebih terperinciPREDIKSI KEBANGKRUTAN PERUSAHAAN MENGGUNAKAN SUPPORT VECTOR MACHINE (SVM)
PREDIKSI KEBANGKRUTAN PERUSAHAAN MENGGUNAKAN SUPPORT VECTOR MACHINE (SVM) 1 Lestari Handayani, 2 Fitriandini Jurusan Teknik Informatika Fakultas Sains dan Teknologi Universitas Islam Negeri Sultan Syarif
Lebih terperinciJurnal String Vol. 1 No. 1 Tahun 2016 ISSN:
ANALISA MODEL SUPPORT VECTOR MACHINE TEXTMINING PADA KOMENTAR POSITIF DAN NEGATIF UNTUK REVIEW PERBANDINGAN WHATSAPP VS BBM Agus darmawan 1, Syamsiah 2 Program Studi Teknik Informatika, Universitas Indraprasta
Lebih terperinciDatabase Ekspresi Wajah Perempuan Indonesia Berbasis 2D untuk Pengenalan Emosi
Tugas Akhir Database Ekspresi Wajah Perempuan Indonesia Berbasis 2D untuk Pengenalan Emosi Oleh : Dwi Angga Y. 2210106042 Pembimbing : I. Dr. Surya Sumpeno, ST., M.Sc. II. Muhtadin, ST., MT. Halaman 1
Lebih terperinciAnalisis Sentimen Twitter untuk Teks Berbahasa Indonesia dengan Maximum Entropy dan Support Vector Machine
IJCCS, Vol.8, No.1, January 2014, pp. 91~100 ISSN: 1978-1520 91 Analisis Sentimen Twitter untuk Teks Berbahasa Indonesia dengan Maximum Entropy dan Support Vector Machine Noviah Dwi Putranti* 1, Edi Winarko
Lebih terperinciBAB II TINJAUAN PUSTAKA
BAB II TINJAUAN PUSTAKA 2.1. Penelitian Terkait Penelitian terkait dengan topik analisis sentimen cukup banyak, berikut beberapa penelitian yang tekait dengan analisa sentimen yang menggunakan seleksi
Lebih terperinciBAB I PENDAHULUAN. 1.1 Latar belakang
BAB I PENDAHULUAN 1.1 Latar belakang Dalam beberapa tahun terakhir teknologi informasi dan telekomunikasi berkembang dengan pesat. Masyarakat mendapatkan manfaat dari tekonologi informasi dan telekomunikasi
Lebih terperinciKlasifikasi Spam dengan Menggunakan Metode Support Vector Machine dan k-nearest Neighbor
D-344 JURNAL SAINS DAN SENI ITS Vol. 5 No. 2 (2016) 2337-3520 (2301-928X Print) Email Spam dengan Menggunakan Metode Support Vector Machine dan k-nearest Neighbor Shiela Novelia Dharma Pratiwi, Brodjol
Lebih terperinciKomparasi dan Analisis Kinerja Model Algoritma SVM dan PSO-SVM (Studi Kasus Klasifikasi Jalur Minat SMA)
Jurnal Teknik Informatika dan Sistem Informasi e-issn : 2443-2229 Komparasi dan Analisis Kinerja Model Algoritma SVM dan PSO-SVM (Studi Kasus Klasifikasi Jalur Minat SMA) Theopilus Bayu Sasongko Program
Lebih terperinciBAB I PENDAHULUAN 1.1 Latar Belakang
BAB I PENDAHULUAN 1.1 Latar Belakang Analisis sentimen merupakan proses dalam mengolah, memahami, dan mengekstrak data dalam bentuk teks terhadap suatu topik, kejadian ataupun individu untuk mendapatkan
Lebih terperinciPenerapan Teknik Support Vector Machine untuk Pendeteksian Intrusi pada Jaringan
Penerapan Teknik Support Vector Machine untuk Pendeteksian Intrusi pada Jaringan LAPORAN TUGAS AKHIR Disusun sebagai syarat kelulusan tingkat sarjana oleh : Krisantus Sembiring / 13503121 PROGRAM STUDI
Lebih terperinciBAB I PENDAHULUAN Latar Belakang
BAB I PENDAHULUAN 1.1. Latar Belakang Pertukaran informasi di zaman modern ini telah sampai pada era digital. Hal ini ditandai dengan semakin dibutuhkannya teknologi berupa komputer dan jaringan internet
Lebih terperinciPROSIDING ISSN:
PM-19 PREDIKSI PERFORMA AKADEMIK SISWA PADA PELAJARAN MATEMATIKA MENGGUNAKAN BAYESIAN NETWORKS DAN ALGORITMA KLASIFIKASI MACHINE LEARNING Betha Nurina Sari Teknik Informatika, Fakultas Ilmu Komputer, Universitas
Lebih terperinciBAB I PENDAHULUAN. Jumlah spam di dunia semakin meningkat secara eksponensial.
BAB I PENDAHULUAN 1.1 Latar Belakang Jumlah email spam di dunia semakin meningkat secara eksponensial. Dilaporkan bahwa pada tahun 1978 sebuah email spam dikirimkan ke 600 alamat email. Sedangkan pada
Lebih terperinciBab 1 PENDAHULUAN. 1.1 Latar Belakang Masalah
Bab 1 PENDAHULUAN 1.1 Latar Belakang Masalah Semakin hari semakin banyak inovasi, perkembangan, dan temuan-temuan yang terkait dengan bidang Teknologi Informasi dan Komputer. Hal ini menyebabkan semakin
Lebih terperinciBAB III ANALISIS DAN PERANCANGAN SISTEM
BAB III ANALISIS DAN PERANCANGAN SISTEM 3.1. Analisis Masalah Setiap tahunnya, DPP Infokom selaku panitia Pelatihan Aplikasi Teknologi dan Informasi (PATI) Universitas Muhammadiyah Malang menerima ribuan
Lebih terperinciBAB III METODOLOGI PENELITIAN
28 BAB III METODOLOGI PENELITIAN Untuk menunjang kegiatan penelitian, dalam bab ini akan dijelaskan desain penelitian, metode penelitian yang digunakan, serta alat dan bahan penelitian. 3.1 Desain Penelitian
Lebih terperinciPERBANDINGAN KLASIFIKASI DOKUMEN TEKS MENGGUNAKAN METODE NAÏVE BAYES DENGAN K-NEAREST NEIGHBOR. Abstrak
ISSN 1858 4667 JURNAL LINK Vol 13/No.1/Januari 2010 PERBANDINGAN KLASIFIKASI DOKUMEN TEKS MENGGUNAKAN METODE NAÏVE BAYES DENGAN K-NEAREST NEIGHBOR Cahyo Darujati Fakultas Ilmu Komputer, Universitas Narotama
Lebih terperinciKLASIFIKASI PENERIMA PROGRAM BERAS MISKIN (RASKIN) DI KABUPATEN WONOSOBO DENGAN METODE SUPPORT VECTOR MACHINE MENGGUNAKAN LibSVM ABSTRACT
ISSN: 2339-2541 JURNAL GAUSSIAN, Volume 4, Nomor 4, Tahun 2015, Halaman 1087-1096 Online di: http://ejournal-s1.undip.ac.id/index.php/gaussian KLASIFIKASI PENERIMA PROGRAM BERAS MISKIN (RASKIN) DI KABUPATEN
Lebih terperinciBAB 3 PROSEDUR DAN METODOLOGI. menawarkan pencarian citra dengan menggunakan fitur low level yang terdapat
BAB 3 PROSEDUR DAN METODOLOGI 3.1 Permasalahan CBIR ( Content Based Image Retrieval) akhir-akhir ini merupakan salah satu bidang riset yang sedang berkembang pesat (Carneiro, 2005, p1). CBIR ini menawarkan
Lebih terperinciKLASIFIKASI CITRA FORMULIR MENGGUNAKAN METODE SUPPORT VECTOR MACHINE (SVM) PADA PROSES DIGITALISASI FORMULIR
KLASIFIKASI CITRA FORMULIR MENGGUNAKAN METODE SUPPORT VECTOR MACHINE (SVM) PADA PROSES DIGITALISASI FORMULIR Dewi Pramudi Ismi 1), Ardiansyah 2) 1 Program Studi Teknik Informatika, Fakultas Teknologi Industri,
Lebih terperinciBAB 1 PENDAHULUAN. Universitas Indonesia. Klasifikasi topik menggunakan..., Dyta Anggraeni
BAB 1 PENDAHULUAN Pada bab ini dijelaskan latar belakang dari penelitian yang memberikan gambaran awal mengenai klasifikasi topik dan perannya dalam perkembangan teknologi informasi. Tujuan dan ruang lingkup
Lebih terperinciMetode K-Means untuk Optimasi Klasifikasi Tema Tugas Akhir Mahasiswa Menggunakan Support Vector Machine (SVM)
Scientific Journal of Informatics Vol. 3, No. 1, Mei 20xx p-issn 2407-7658 http://journal.unnes.ac.id/nju/index.php/sji e-issn 2460-0040 Metode K-Means untuk Optimasi Klasifikasi Tema Tugas Akhir Mahasiswa
Lebih terperinciPENDAHULUAN. 1.1 Latar Belakang
1 BAB I PENDAHULUAN 1.1 Latar Belakang Perkembangan teknologi internet memunculkan berbagai metode komunikasi yang mudah, murah, dan cepat. Salah satu media yang paling populer dan sangat cepat berkembang
Lebih terperinciBAB III ANALISIS DAN PERANCANGAN
BAB III ANALISIS DAN PERANCANGAN Dalam bab ini akan dijabarkan analisa, yang meliputi analisa masalah dan gambaran umum masalah yang sedang dibahas, perancangan sistem serta desain antarmuka (user interface)
Lebih terperinciIMPLEMENTASI ALGORITMA SUPPORT VECTOR MACHINE (SVM) UNTUK ANALISA SENTIMEN PADA KALIMAT OPINI BERBAHASA INDONESIA TUGAS AKHIR
IMPLEMENTASI ALGORITMA SUPPORT VECTOR MACHINE (SVM) UNTUK ANALISA SENTIMEN PADA KALIMAT OPINI BERBAHASA INDONESIA TUGAS AKHIR Sebagai Persyaratan Guna Meraih Gelar Sarjana Strata 1 Teknik Informatika Universitas
Lebih terperinciJurnal Pengembangan Teknologi Informasi dan Ilmu Komputer e-issn: X
Jurnal Pengembangan Teknologi Informasi dan Ilmu Komputer e-issn: 2548-964X Vol. 1, No. 12, Desember 2017, hlm. 1725-1732 http://j-ptiik.ub.ac.id Analisis Sentimen Tingkat Kepuasan Pengguna Penyedia Layanan
Lebih terperinciJurnal String Vol. 1 No. 1 Tahun 2016 ISSN:
KAJIAN KOMPARASI ALGORITMA C4.5, NAÏVE BAYES DAN NEURAL NETWORK DALAM PEMILIHAN PENERIMA BEASISWA (Studi Kasus pada SMA Muhammadiyah 4 Jakarta ) Ulfa Pauziah Program Studi Teknik Informatika, Universitas
Lebih terperinciStudi Kasus Klasifikasi Hutan
MMA10991 Topik Khusus Machine Learning Studi Kasus Klasifikasi Hutan Dr. rer. nat. Hendri Murfi Intelligent Data Analysis (IDA) Group Departemen Matematika, Universitas Indonesia Depok 16424 Telp. +62
Lebih terperinciBAB III METODOLOGI PENELITIAN
BAB III METODOLOGI PENELITIAN Metodologi penelitian merupakan rangkaian dari langkah-langkah yang diterapkan dalam penelitian, secara umum dan khusus langkah-langkah tersebut tertera pada Gambar flowchart
Lebih terperinciPREDIKSI KELULUSAN MAHASISWA PADA PERGURUAN TINGGI KABUPATEN MAJALENGKA BERBASIS KNOWLEDGE BASED SYSTEM
PREDIKSI KELULUSAN MAHASISWA PADA PERGURUAN TINGGI KABUPATEN MAJALENGKA BERBASIS KNOWLEDGE BASED SYSTEM Teknik Informatika, Teknik Industri, Teknik Informatika Fakultas Teknik - Universitas Majalengka
Lebih terperinciPEMILIHAN FITUR OPTIMAL UNTUK TUGAS AKHIR MAHASISWA DENGAN METODE SUPPORT VECTOR MACHINE
Vol 2, No 3 Juni 2012 ISSN 2088-2130 PEMILIHAN FITUR OPTIMAL UNTUK TUGAS AKHIR MAHASISWA DENGAN METODE SUPPORT VECTOR MACHINE Devie Rosa Anamisa 1), Eka Mala Sari Rochman 2) 1,2 Teknik Informatika, Fakultas
Lebih terperinciPENERAPAN MODEL MESIN BELAJAR SUPPORT VECTOR MACHINES PADA AUTOMATIC SCORING UNTUK JAWABAN SINGKAT
PENERAPAN MODEL MESIN BELAJAR SUPPORT VECTOR MACHINES PADA AUTOMATIC SCORING UNTUK JAWABAN SINGKAT TUGAS AKHIR Diajukan Untuk Memenuhi Sebagian Prasyarat Mencapai Derajat Teknik Informatika Disusun Oleh
Lebih terperinciBAB II TINJAUAN PUSTAKA Indeks Prestasi Kumulatif dan Lama Studi. menggunakan dokumen/format resmi hasil penilaian studi mahasiswa yang sudah
BAB II TINJAUAN PUSTAKA 2.1 Landasan Teori 2.1.1 Indeks Prestasi Kumulatif dan Lama Studi Mahasiswa yang telah menyelesaikan keseluruhan beban program studi yang telah ditetapkan dapat dipertimbangkan
Lebih terperinciNur Indah Pratiwi, Widodo Universitas Negeri Jakarta ABSTRAK
Klasifikasi Dokumen Karya Akhir Mahasiswa Menggunakan Naïve Bayes Classifier (NBC) Berdasarkan Abstrak Karya Akhir Di Jurusan Teknik Elektro Universitas Negeri Jakarta Nur Indah Pratiwi, Widodo Universitas
Lebih terperinciBAB II LANDASAN TEORI
BAB II LANDASAN TEORI II.1 Text Mining Text Mining merupakan penerapan konsep dan teknik data mining untuk mencari pola dalam teks, proses penganalisaan teks guna menemukan informasi yang bermanfaat untuk
Lebih terperinciAnalisis Sentimen untuk Komentar pada Sistem Pencarian Kost Menggunakan Metode Support Vector Machine (SVM)
Analisis Sentimen untuk Komentar pada Sistem Pencarian Kost Menggunakan Metode Fandy Oktavianus Suryanputra 1, Banu W. Yohanes 2, Saptadi Nugroho 3 1 Program Studi Teknik Elektro, Fakultas Teknik Elektronika
Lebih terperinciPENERAPAN METODE KLASIFIKASI SUPPORT VECTOR MACHINE (SVM) PADA DATA AKREDITASI SEKOLAH DASAR (SD) DI KABUPATEN MAGELANG
ISSN: 2339-2541 JURNAL GAUSSIAN, Volume 3, Nomor 4, Tahun 2014, Halaman 811-820 Online di: http://ejournal-s1.undip.ac.id/index.php/gaussian PENERAPAN METODE KLASIFIKASI SUPPORT VECTOR MACHINE (SVM) PADA
Lebih terperinciSeleksi Atribut Menggunakan Information Gain Untuk Clustering Penduduk Miskin Dengan Validity Index Xie Beni
1 Seleksi Atribut Menggunakan Information Gain Untuk Clustering Penduduk Miskin Dengan Validity Index Xie Beni Femi Dwi Astuti Program Studi Teknik Informatika STMIK AKAKOM femi@akakom.ac.id Abstrak -
Lebih terperinciBAB I PENDAHULUAN 1.1 Latar Belakang
BAB I PENDAHULUAN 1.1 Latar Belakang Kehadiran teknologi web yang interaktif telah merubah cara orang mengekspresikan pandangan dan opininya. Saat ini pengguna dapat menulis ulasan suatu produk pada situs
Lebih terperinciMetode Klasifikasi (SVM Light dan K-NNK. NN) Dr. Taufik Fuadi Abidin, S.Si., M.Tech. Jurusan Informatika FMIPA Universitas Syiah Kuala
Metode Klasifikasi (SVM Light dan K-NNK NN) Dr. Taufik Fuadi Abidin, S.Si., M.Tech Jurusan Informatika FMIPA Universitas Syiah Kuala www.informatika.unsyiah.ac.id/tfa Alur dan Proses Cleaning Process Dokumen
Lebih terperinciPENERAPAN DATA MINING UNTUK REKOMENDASI BEASISWA PADA SMA MUHAMMADIYAH GUBUG MENGGUNAKAN ALGORITMA C4.5
1 PENERAPAN DATA MINING UNTUK REKOMENDASI BEASISWA PADA SMA MUHAMMADIYAH GUBUG MENGGUNAKAN ALGORITMA C4.5 Dina Maurina, Ahmad Zainul Fanani S.Si, M.Kom Jurusan Teknik Informatika FIK UDINUS, Jl. Nakula
Lebih terperinciPenyaringan Spam Short Message Service Menggunakan Support Vector Machine
111 Penyaringan Spam Short Message Service Menggunakan Support Vector Machine Tri Herdiawan Apandi *), Castaka Agus Sugianto **) Teknik Informatika, Politeknik TEDC Bandung E-Mail: * h.apandi@gmail.com,
Lebih terperinciPENENTUAN JALUR TERPENDEK PADA APLIKASI OJEK ONLINE GO-JEK DENGAN PROBABILISTIC NEURAL NETWORK (PNN) DAN PARTICLE SWARM OPTIMIZATION (PSO)
PENENTUAN JALUR TERPENDEK PADA APLIKASI OJEK ONLINE GO-JEK DENGAN PROBABILISTIC NEURAL NETWORK (PNN) DAN PARTICLE SWARM OPTIMIZATION (PSO) Levina Fitri Rahmawati, Isnandar Slamet, dan Diari Indriati Program
Lebih terperinci