KLASIFIKASI JENIS QUOTE DENGAN K-NEAREST NEIGHBOR

22094698, Kevin Adrian Wahyu Nugroho (2017) KLASIFIKASI JENIS QUOTE DENGAN K-NEAREST NEIGHBOR. Final Year Projects (S1) thesis, Universitas Kristen Duta Wacana.

	Text (Skripsi Informatika) 22094698_bab1_bab5_daftarpustaka.pdf Download (3MB)
	Text (Skripsi Informatika) 22094698_bab2-sd-bab4_lampiran.pdf Restricted to Registered users only Download (7MB) | Request a copy

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%.

Actions (login required)

View Item