Klasifikasi Dokumen Tugas Akhir Berbasis Text Mining menggunakan Metode Naïve Bayes Classifier dan K-Nearest Neighbor

Hamdani Asril, Mustakim Mustakim, Insanul Kamila

Abstract


Tugas akhir merupakan salah satu syarat yang harus dipenuhi oleh mahasiswa untuk menyelesaikan pendidikan di perguruan tinggi. Dalam proses pengerjaan tugas akhir, mahasiswa membutuhkan dosen pembimbing sebagai tempat untuk berkonsultasi yang sesuai dengan kategori/bidang ilmu topik tugas akhir yang diajukan mahasiswa dalam proposal tugas akhir. Pada Program Studi Sistem Informasi UIN SUSKA Riau penentuan dosen pembimbing ditentukan berdasarkan keputusan dari Ketua Program Studi sehingga membutuhkan waktu yang cukup lama dalam penentuannya. Tujuan penelitian ini adalah untuk membangun sistem rekomendasi dosen pembimbing menggunakan metode klasifikasi, Naïve Bayes Clasifier dan K-Nearest Neighbor (KNN). Dari percobaan 3 kelas dan 16 kelas diperoleh akurasi terbaik pada percobaan 3 kelas dengan nilai 86,11% untuk Naive Bayes Classifier (NBC) dan 91,67% untuk K-Nearest Neighbor (KNN). Pada pembangunan sistem digunakan metode KNN untuk proses klasifikasinya dengan menggunakan Bahasa pemograman Python.

Full Text:

PDF

References


Yusra., Olivita, D., dan Vitriani, Y. “Perbandingan Klasifikasi Tugas Akhir Mahasiswa Jurusan Teknik Informatika Menggunakan Metode Naïve Bayes Classifier dan K-Nearest Neighbor”. Jurnal Sains, Teknologi dan Industri, vol. 14 no. 1. 2016.

Mas’udia, P. E. “Klasifikasi Tugas Akhir Untuk Menentukan Dosen Pembimbing Menggunakan Naïve Bayes Classifier (NBC)”. Prosiding SENTIA, Vol. 7. 2015.

Hariyati, R. M. “Survey Kinerja Dosen Pembimbing Skripsi dan Kualitas Skripsi Mahasiswa Akhuntansi STIE Malangkucecwara”. Jurnal Dinamika Akuntansi, Vol. 4, No. 2. 2012.

Kasih, P. “Integrasi Kategori Skripsi dan Keahlian Dosen Dalam Naive Bayes Untuk Pemilihan Dosen Pembimbing”. Nusantara of Engineering, Vol. 3, No.2. 2016.

Hidayatullah, A.F., dan Ma’arif, M.R. “Penerapan Text Mining dalam Klasifikasi Judul Skripsi”. Seminar Nasional Aplikasi Teknologi Informasi (SNATi). 2016.

Bridge, C. Unstructured Data and the 80 Percent Rule. [Online] Available. http://www.clarabridge.com/default.aspx?tabid=137&ModuleID=635&ArticleID=55.Diakses 24 Mei 2018.

Noah, S. A., dan Ismail, F. “Automatic Classifications of Malay Proverbs Using Naive Bayesian Algorithm”. Information Technology Journal. 2008.

Larasati, R. Klasifikasi Teks Dengan Menggunakan Algoritma K-Nearest Neighbor Pada Dokumen Tugas Akhir. [Skripsi] Universitas Widyatama. 2015.

Efendi Z., dan Mustakim. “Text Mining Classification Sebagai Rekomendasi Dosen Pembimbing Tugas Akhir Program Studi Sistem Informasi”. Seminar Nasional Teknologi Informasi, Komunikasi dan Industri (SNTIKI) 9. 2017.

Turban, E., J. E. Aronson, dan T. P. Liang. Introduction to Data Mining. Pearson. 2005.

Han, J., & Kamber, M. Data Mining Concepts and Techniques Second Edition. San Fransisco: Morgan Kaufmann Publisher. 2006.

Feldman, R., dan J. Sanger. The Text Mining Handbook: Advanced Approaches in Analyzing Unstructured Data. Cambridge University Press. New York. 2007.

Berry, M. W., dan J. Kogan. Text Mining Application and Theory. WILEY. United Kingdom. 2010.

Prasetyo, E. Data Mining Konsep dan Aplikasi menggunakan Matlab. Penerbit Andi. Yogyakarta. 2012.

Baby, N. “Customer Classification And Prediction Based On Data Mining Technique”. International Journal of Emerging Technology and Advanced Engineering. Vol. 2. 2012.

Ting, S.L., Ip, W.H., dan Tsang, A.H.C. “Is Naïve Bayes a Good Classifier for Document Classification?,”. International Journal of Software Engineering and Its Applications. Vol. 5. 2011.

Santoso dan Irawan, M. I. “Classification of Poverty Levels using KNearest Neighbor”. Internationl Journal of Computing and Science and Applied Mathematics, vol. 2, No 1. 2012.

Leiydiana, H. “Penerapan Algoritma K-Nearest Neighbor Untuk Penentuan Resiko Kredit Kepemilikan Kendaraan Bermotor”. Jurnal Penelitian Ilmu Komputer, System Embedded & Logic, Vol: 01, 65-76. 2013.

Faiza, N. N. “Prediksi Tingkat Keberhasilan Mahasiswa Tingkat I IPB dengan Metode k-Nearest Neighbor”. Institut Pertanian Bogor, Bogor, Indonesia: Institut Pertanian Bogor. 2009.

Adriani, M., J. Asian, B. Nazief, S. M.M. Tahaghoghi, dan H. E. Williams. “Stemming Indonesian: A Confix-Stripping Approach.” Transaction on Asian Langeage Information Processing Vol. 6 No. 4. 2007.

Okfalisa, Gazalba, I., Mustakim, Reza, N.G.I. Comparative analysis of k-nearest neighbor and modified k-nearest neighbor algorithm for data classification. Proceedings - 2017 2nd International Conferences on Information Technology, Information Systems and Electrical Engineering, ICITISEE. 2018.


Refbacks

  • There are currently no refbacks.


FAKULTAS SAINS DAN TEKNOLOGI
UIN SUSKA RIAU
Kampus Raja Ali Haji
Gedung Fakultas Sains & Teknologi UIN Suska Riau
Jl.H.R.Soebrantas No.155 KM 18 Simpang Baru Panam, Pekanbaru 28293
Email: sntiki@uin-suska.ac.id