eprintid: 4560
rev_number: 11
eprint_status: archive
userid: 52
dir: disk0/00/00/45/60
datestamp: 2021-06-28 02:54:04
lastmod: 2021-06-28 02:54:04
status_changed: 2021-06-28 02:54:04
type: thesis
metadata_visibility: show
contact_email: repository@staff.ukdw.ac.id
creators_name: 22094698, Kevin Adrian Wahyu Nugroho
creators_id: adriankevin@ti.ukdw.ac.id
contributors_type: http://www.loc.gov/loc.terms/relators/THS
contributors_type: http://www.loc.gov/loc.terms/relators/THS
contributors_name: Chrismanto, Antonius Rachmat
contributors_name: Susanto, Budi
corp_creators: Universitas Kristen Duta Wacana
title: KLASIFIKASI JENIS QUOTE DENGAN K-NEAREST NEIGHBOR
ispublished: pub
subjects: QA75
divisions: tek_informatika
full_text_status: restricted
keywords: klasifikasi, quote, K- Nearest Neighbor, Rapid Miner.
abstract: Quote berasal dari Bahasa Inggris yang artinya mengutip. Berdasarkan arti tersebut, quote dapat diartikan sebagai pernyataan orang-orang yang terkenal. Banyak kata-kata yang pernah diucapkan oleh seseorang menjadi inspirasi dan motivasi bagi pembacanya. Selain dari ucapan langsung tokoh terkenal, quote juga seringkali diambil dari buku dan film. Salah satu metode yang dapat digunakan untuk pengklasifikasian adalah K-Nearest Neighbor. Metode K-Nearest Neighbor digunakan untuk pengkategorian teks. Sifat dari K-Nearest Neighbor sendiri yaitu algoritma ini dapat mempelajari struktur data yang ada dan mengkategorikan dirinya. Penggunaan tools Rapid Miner digunakan untuk analisa keakuratan hasil klasifikasi quote yang akan dilakukan. Rapid Miner memiliki operator yang dapat digunakan sesuai kebutuhan. Tersedia berbagai macam operator yang dapat dilakukan untuk klasifikasi. Operator yang digunakan untuk klasfikasi mulai dari tahap pembacaan data, preprocessing, pembobotan TF-IDF, k-Nearest Neighbor, dan pengujian. Seluruh proses klasifikasi quote dilakukan menggunakan Rapid Miner dan dari hasil tersebut akan dilakukan analisis. K-nearest Neighbor dapat digunakan untuk klasifikasi quote. Persentasi keakuratan tertinggi dengan menggunakan nilai k = 5 yaitu 72.5%. Metode Prune untuk Feature Selection dengan persentual menghasilkan persentasi keakuratan yang lebih baik yaitu 72.5% dibandingkan by ranking yang hanya menghasilkan 25%. Metode Stemming menggunakan Snowball dan Porter menghasilkan presentasi keakuratan sama dengan Lovins yaitu 72.5%.
date: 2017-11
date_type: published
pages: 42
institution: Universitas Kristen Duta Wacana
department: Informatika
thesis_type: skripsi
thesis_name: other
citation:   22094698, Kevin Adrian Wahyu Nugroho  (2017) KLASIFIKASI JENIS QUOTE DENGAN K-NEAREST NEIGHBOR.  Bachelor thesis, Universitas Kristen Duta Wacana.   
document_url: https://katalog.ukdw.ac.id/4560/1/22094698_bab1_bab5_daftarpustaka.pdf
document_url: https://katalog.ukdw.ac.id/4560/2/22094698_bab2-sd-bab4_lampiran.pdf