Model Klasifikasi Prosiding Berdasarkan Abstrak Untuk Penyusunan Letak Skripsi Menurut Bidang Kajian
Author (Penulis)
ANGGA CAHYO PRADIKDOUniversitas Nusantara PGRI Kediri
Author Identity (NPM)
14.1.03.03.0096Abstract
Penelitian ini dilatar belakangi hasil pengamatan pada dokumen skripsi di Program Studi Sistem Informasi Universitas Nusantara PGRI Kediri. Penulis menemukan suatu masalah yang layak untuk diteliti yaitu dokumen penelitian ilmiah atau skripsi sebagian besar masih belum tertata dan belum ada pengklasifikasian dokumen penelitian ilmiah atau skripsi sesuai bidang kajian, yang dapat memudahkan mahasiswa ketika ingin mencari referensi dari skripsi. Penelitian dikerjakan menggunakan penelitian Action Research menerapkan 10 siklus, didukung dengan teknik pemprosesan Text Mining dan menggunakan Algoritma naive bayes sebagai perhitungan untuk mencari probabilitas dokumen.Hasil pengujian 10 siklus menghasilkan 3 pengetahuan model klasifikasi terbaik antara lain : Berdasarkan Confusion Matrik . Berdasarkan cross validation dan Model terbaik dengan berdasarkan 2 pengujian validasi cross validation dan confusion matrik berdasarkan selisih terkecil dengan nilai tertinggi ialah siklus ke 2 dengan selisih 0,33%. Berdasarkan hasil pengujian, penulis menerapkan pada jurnal skipsi sebagai penjawab dari rumusan masalah di peneitian ini.
Keyword
aReference
Amborowati, A., Setiaji, B., Utama, H., Fatkhurohman, A., Hartatik, & Wulansari, B. (2017). Prosiding Seminar Nasional Teknologi Informasi Dan Multimedia 2017. Yogyakarta: Panitia Semnasteknomedia.
C, D. A., Baskoro, D. A., Ambarwati, L., & Wicaksana, W. S. (2013). Belajar Data Mining Dengan Rapidminer. Jakarta.
Daniati, E. (2012). Klasifikasi Jenis Bimbingan Dan Konseling Siswa Smkn 1 Kediri Menggunakan Naive Bayes Classifier Dan Nearest Neighbor. Nusantara Of Engginering (Noe)/Vol. 1/No. 2/Issn: 2355-6684, 22-27.
Feldman, R., & Sanger, J. (2007). The Text Mining Handbook Advanced Approaches In Analyzing Unstructured Data. Cambridge: Cambridge University Press.
Hamzah, A. (2012). Prosiding Seminar Nasional Aplikasi Sains & Teknologi (Snast) Periode Iii. Klasifikasi Teks Dengan Naïve Bayes Classifier (Nbc) Untuk Pengelompokan Teks Berita Dan Abstract Akademis, 269-277.
Hasibuan, Z. A. (2007). Metodologi Penelitian Pada Bidang Ilmu Komputer Dan Teknologi Informasi. Depok: Fasilkom Universitas Indonesia.
Heizer, J., & Render, B. (2009). Manajemen Operasi Buku 1 Edisi 9. Jakarta: Salemba.
Kao, A., & Poteet, S. R. (2007). Natural Language Processing And Text Mining. Washington: Springer.
Kurniawan, B., Effendi, S., & Sitompul, O. S. (2012). Jurnal Dunia Teknologi Informasi Vol. 1, No. 1. Klasifikasi Konten Berita Dengan Metode Text Mining, 14-19.
Lppm. (2017). Prosiding. Diambil Kembali Dari Http://Lppm.Stimaimmi.Ac.Id: Http://Lppm.Stimaimmi.Ac.Id/Pengabdian-Masyarakat/Prosiding/
Lumbanraja, F. R. (2013). Kumpulan Makalah Seminar Semirata. Sistem Pencarian Data Teks Dengan Menggunakan Metode Klasifikasi Rocchio(Studi Kasus:Dokumen Teks Skripsi), 217-224.
Ma’arif, M. R. (2016). Jiska, Vol. 1, No. 2. Perbandingan Naïve Bayes Classifier Dan Support Vector Machine Untuk Klasifikasi Judul Artikel, 90 – 93.
Mulyatiningsing, E. (2011). Riset Terapan Bidang Pendidikan Dan Teknik. Yogyakarta: Uny Press.
Rodiyansyah, S. F., & Winarko, E. (2013). Ijccs, Vol.7, No.1. Klasifikasi Posting Twitter Kemacetan Lalu Lintas Kota Bandung Menggunakan Naive Bayesian Classification, 13-22.
Srivastava, A. N., & Sahami, M. (2009). Text Mining Classification,Clustering, And Applications. Usa: Crc Press.
Yusra, Olivita, D., & Vitriani, Y. (2016). Jurnal Sains, Teknologi Dan Industri, Vol. 14, No. 1. Perbandingan Klasifikasi Tugas Akhir Mahasiswa Jurusan Teknik Informatika Menggunakan Metode Naïve Bayes Classifier Dan K-Nearest Neighbor, 79 - 85.
Zaki, M. J., & Jr, W. M. (2014). Data Mining And Analysis. New York: Cambridge University Press.
