Naïve Bayes, Neural Network dan K-Nearest Neighbor untuk Klasifikasi Topik Tugas Akhir

Ari Putra Wibowo; Widiyono Widiyono; Anas Saifudin; Arief Soma Darmawan; Eko Budihartono

doi:10.30591/smartcomp.v11i4.4251

Naïve Bayes, Neural Network dan K-Nearest Neighbor untuk Klasifikasi Topik Tugas Akhir

Ari Putra Wibowo, Widiyono Widiyono, Anas Saifudin, Arief Soma Darmawan, Eko Budihartono

Abstract

Pemilihan topik atau judul skripsi menentukan mahasiswa dalam menyelesaikan pengerjaan skripsi tepat waktu, hal ini juga berpengaruh dalam kebutuhan akreditasi program studi. Namun penentuan topik atau judul skripsi menjadi hal yang cukup sulit untuk mahasiswa, beberapa penelitian mengenai klasifikasi topik skripsi telah banyak dilakukan untuk mengelolompokkan topik atau judul skripsi sesuai dengan konsentrasi keahliannya sehingga memberikan informasi yang dapat membantu mahasiswa. Pada penelitian ini dilakukan perbandingan model klasifikasi untuk mengetahui model klasifikasi terbaik dalam klasifikasi topik atau judul skripsi. Ada tiga model klasifikasi yang dibangun dalam penelitian ini dengan menggunakan algoritma Naïve Bayes, Neural Network dan K-Nearest Neighbor. Evaluasi hasil dilakukan dengan metode cofusion matrix untuk mengetahui nilai akurasi, presisi, recall dan f-score. Dari hasil eksperimen menunjukkan bahwa model klasifikasi dengan algoritma Neural Network memiliki nilai akurasi paling tinggi dengan nilai 94,1% sedangkan nilai akurasi paling rendah adalah model klasifikasi Naïve Bayes dengan nilai 79% .

Full Text:

References

D. Patmawati, “Pedoman Penulisan Skripsi,” no. 59, pp. 96–144, 2016.

Unsika, “Panduan Penulisan Skripsi,” no. December, 2015.

M. R. Muttaqin and M. Defriani, “Algoritma K-Means untuk Pengelompokan Topik Skripsi Mahasiswa,” Ilk. J. Ilm., vol. 12, no. 2, pp. 121–129, 2020.

M. B. Priyantono, M. Ahnan, M. A. Widhianto, and D. D. Prasetyo, “Optimasi Sistem Pelabelan Topik Skripsi menggunakan Algoritma Naive Bayes dengan Pendekatan Design Thinking,” vol. 8, no. 1, pp. 168–174, 2022.

A. Rahman and A. Haqiqi, “Rekomendasi Tema Tugas Akhir Menggunakan Metode Clasifikasi Supervised Learning,” Smart Comp, vol. 11, pp. 535–540, 2022.

K. Akromunnisa and R. Hidayat, “Klasifikasi Dokumen Tugas Akhir (Skripsi) Menggunakan K-Nearest Neighbor,” JISKA (Jurnal Inform. Sunan Kalijaga), vol. 4, no. 1, p. 69, 2019.

W. Darmawan, a p Wibowo, and B. Ismanto, “Klasifikasi Teks Menggunakan Metode Naïve Bayes Classifier Dengan Seleksi Fitur Forward Selection,” Ic-Tech, vol. XVI, no. 1, pp. 1–7, 2021.

S. I. G. Situmeang, “Impact of Text Preprocessing on Named Entity Recognition Based on Conditional Random Field in Indonesian Text Samuel Indra Gunawan Situmeang,” vol. 6, no. 36, pp. 423–430, 2022.

S. Bal and E. S. Gunal, “The Impact of Features and Preprocessing on Automatic Text Summarization,” vol. 25, no. 2, pp. 117–132, 2022.

A. K. Uysal and S. Gunal, “The impact of preprocessing on text classification,” Inf. Process. Manag., vol. 50, no. 1, pp. 104–112, 2014.

D. B. Gelman, A., Carlin, J.B., Stern, H.S., Dunson, D.B., Vehtari, A., & Rubin, Bayesian Data Analysis (3rd ed.). 2013.

G. Liang, Y. G. Yan, M. Wang, X. L. Lian, M. S. Li, and W. H. Tang, “Classification for Text Data from the Power System Based on Improving Naive Bayes,” Asia-Pacific Power Energy Eng. Conf. APPEEC, vol. 2020-September, 2020.

M. Ghiassi, M. Olschimke, B. Moon, and P. Arnaudo, “Automated text classification using a dynamic artificial neural network model,” Expert Syst. Appl., vol. 39, no. 12, pp. 10967–10976, 2012.

T. Yu and K. T. Nwet, “Sentiment analysis system for myanmar news using k nearest neighbor and naïve bayes,” WCSE 2020 2020 10th Int. Work. Comput. Sci. Eng., no. Wcse, pp. 512–516, 2020.

DOI: https://doi.org/10.30591/smartcomp.v11i4.4251