Klasifikasi Kompetensi Tugas Akhir Secara Otomatis Berdasarkan Deskripsi Singkat Menggunakan Perbandingan Algoritma K-Nndannaive Bayes

Authors

  • Aisya Frisilya Politeknik Caltex Riau
  • Wawan Yunanto Politeknik Caltex Riau
  • Kartina Diah Kesuma Wardhani Politeknik Caltex Riau

Abstract

Proyek Akhir (PA) merupakan salah satu persyaratan kelulusan mahasiswa di Politeknik Caltex Riau (PCR). Meningkatnya jumlah mahasiswa di PCR setiap tahunnya, mengakibatkan jumlah judul PA semakin banyak dan beragam sehingga menyulitkan koor PA dalam review judul PA. Selain itu, untuk mengoptimalkan kinerja sistem pengklasifikasian judul PA secara otomatis, harus menggunakan suatu metode pengkategorian yang baik.Untuk itu, dibutuhkan sebuah sistem untuk mengelompokkan judul PA secara otomatis yang akan dikelompokkan berdasarkan KBK (Kelompok Bidang Kompetensi). Sistem yang dibangun akan mengelompokkan judul PA berdasarkan deskripsi singkat dengan menerapkan text mining dan algoritma klasifikasi. Algoritma klasifikasi yang akan dibandingkan ialah k-NN dan Naive Bayes. Berdasarkan hasil penelitian didapatkan akurasi tertinggi diperoleh oleh algoritma Naive Bayes yaitu 65,4 persen dan k-NN diperoleh rata-rata hasil akurasi 51,14 persen dengan menggunakan minimum support 0,024. Untuk itu, dapat disimpulkan bahwa algoritma terbaik dimiliki oleh Naive Bayes sehingga algoritma Naive Bayes akan diimplementasikan di dalam sistem.

Author Biographies

Aisya Frisilya, Politeknik Caltex Riau

Teknik Informatika

Wawan Yunanto, Politeknik Caltex Riau

Sistem Informasi

Kartina Diah Kesuma Wardhani, Politeknik Caltex Riau

Teknik Informatika

References

Firmansyah, Dimas Ricky. (2013). Implementasi Text mining Klasifikasi Objek Wisata dengan Metode Naïve Bayes Classifier di Dinas Pariwisata dan Kebudayaan Jawa Barat. Jawa Barat: Bandung.

Hatta, Ahmad. (2010). Rancang Bangun Sistem Pengelolaan Dokumen-dokumen Penting Menggunakan Text Mining. Surabaya: Institut Teknologi Sepuluh Nopember.

Anggono, Riandri. (2009).Analisis Perbandingan Metode k-Nearest Neighbor dan Naive Bayes Classifier dalam Klasifikasi Teks. Bandung: Universitas Telkom.

Happyanto, Dedid Cahya.dkk. (2015). Buku Panduan Penyusunan & Pelaksanaan Proyek Akhir Politeknik Caltex Riau Edisi III (Rev.ed.). Pekanbaru: Politeknik Caltex Riau.

Kurniawan, Bambang. (2012).Klasifikasi Konten Berita Dengan Metode Text Mining. Medan: Universitas Sumatra Utara.

Feldman, R. & Sanger, J. (2007). The Text Mining Handbook. New York: Cambridge University Press.

Indrawati, Nur (2010). Natural Language Processing (NLP) Bahasa Indonesia sebagai Preprocessing pada Text Mining. Bandung: Institut Tinggi Teknologi Telkom.

Ndaumanu, Ricky Imanuel. (2014). Analisis Prediksi Tingkat Pengunduran Diri Mahasiswa dengan Metode k-Nearest Neighbor. Yogyakarta: STMIK AMIKOM Yogyakarta.

Santoso, Deddy. (2012). Perbandingan Kinerja Metode Naive Bayes, K-Nearest Neighbor dan Metode Gabungan K-Means dan LVQ dalam Pengkategorian Buku Komputer Berbahasa Indonesia Berdasarkan Judul dan Sinopsis. Malang: Universitas Brawijaya.

Published

2017-01-29

Issue

Section

Artikel