Klasifikasi Tugas Akhir Menggunakan Binary Relevance dan Algoritma Support Vector Machine

SOFIANA, PUTRI DELTA (2025) Klasifikasi Tugas Akhir Menggunakan Binary Relevance dan Algoritma Support Vector Machine. Undergraduate thesis, UNIVERSITAS MUHAMMADIYAH JEMBER.

	Text Halaman depan.pdf Download (1MB)
	Text Abstrak.pdf Download (423kB)
	Text Bab I.pdf Download (557kB)
	Text Bab II.pdf Restricted to Repository staff only Download (1MB) | Request a copy
	Text Bab III.pdf Restricted to Repository staff only Download (859kB) | Request a copy
	Text Bab IV.pdf Restricted to Repository staff only Download (1MB) | Request a copy
	Text Bab V.pdf Restricted to Repository staff only Download (319kB) | Request a copy
	Text Daftar pustaka.pdf Download (562kB)
	Text Lampiran.pdf Restricted to Repository staff only Download (530kB) | Request a copy

Abstract

Tugas Akhir (TA) merupakan salah satu syarat yang harus dipenuhi dalam menyelesaikan pendidikan di perguruan tinggi. Abstrak merupakan bagian sistematika penulisan karya tulis ilmiah yang menjelaskan secara singkat tentang latar belakang, metode, hasil dan kesimpulan. Klasifikasi TA dibutuhkan untuk memberikan struktur yang jelas, memastikan standard dan konsistensi akademik, meningkatkan relevansi suatu penelitian dan memberikan kemudahan bagi mahasiswa dalam menemukan referensi yang sesuai. Namun, klasifikasi TA sering kali tidak mempertimbangkan kompleksitas bidang keahlian yang tumpang tindih sehingga menyebabkan kurangnya ketepatan dalam pengelompokannya. Klasifikasi TA berdasarkan bidang minat sering kali mengkategorikan TA kedalam 1 label saja padahal dalam konteks TA bisa mencakup lebih dari 1 bidang minat. Oleh karena itu penelitian ini dilakukan untuk membuat model klasifikasi multi-label yang dapat mengkategorikan TA secara otomatis kedalam beberapa kategori. Terdapat 3 kategori yang digunakan yaitu, Ilmuwan data, Rekayasa Perangkat Lunak, dan Jaringan Komunikasi Data. Algoritma yang digunakan adalah Support Vector Machine (SVM) dengan pendekatan Binary Relevance. Hasil penelitian menunjukkan performa terbaik diperoleh dengan menggunakan nilai parameter C = 0.001 dengan nilai hamming loss 0.0303, Micro F1 sebesar 96,5% dan Macro F1 sebesar 94,4%.

Contribution

Nama Dosen Pembimbing

NIDN/NIDK

Dosen Pembimbing

YANUARTI, ROSITA

nidn0629018601

Dosen Pembimbing

ABDURRAHMAN, GINANJAR

nidn0714078704

Item Type:	Thesis (Undergraduate)
Keywords/Kata Kunci:	Klasifikasi multi-label, Klasifikasi Tugas Akhir, Tugas Akhir, Abstrak, Support Vector Machine, Binary Relevance
Subjects:	000 Computer Science, Information, & General Works > 004 Data Processing, Computer Science
Divisions:	Faculty of Engineering > Department of Informatics Engineering (S1)
Depositing User:	Putri Delta Sofiana | putridelta0812@gmail.com
Date Deposited:	19 Aug 2025 08:07
Last Modified:	19 Aug 2025 08:07
URI:	http://repository.unmuhjember.ac.id/id/eprint/26994

Actions (login required)

View Item