PENGARUH N-GRAM TERHADAP KLASIFIKASI TUGAS AKHIR DI FAKULTAS TEKNIK UNIVERSITAS MUHAMMADIYAH JEMBER MENGGUNAKAN EKSTRAKSI DAN SELEKSI FITUR DENGAN METODE K- NEAREST NEIGHBORS (KNN)

Kustiani, Errisa Lulut (2024) PENGARUH N-GRAM TERHADAP KLASIFIKASI TUGAS AKHIR DI FAKULTAS TEKNIK UNIVERSITAS MUHAMMADIYAH JEMBER MENGGUNAKAN EKSTRAKSI DAN SELEKSI FITUR DENGAN METODE K- NEAREST NEIGHBORS (KNN). Undergraduate thesis, Universitas Muhammadiyah Jember.

	Text 1. Pendahuluan.pdf Download (1MB)
	Text 2. Abstrak.pdf Download (416kB)
	Text 3. Bab 1.pdf Download (377kB)
	Text 4. Bab 2.pdf Restricted to Repository staff only Download (458kB) | Request a copy
	Text 7. Bab 5.pdf Restricted to Repository staff only Download (341kB) | Request a copy
	Text 5. Bab 3.pdf Restricted to Repository staff only Download (807kB) | Request a copy
	Text 6. Bab 4.pdf Restricted to Repository staff only Download (1MB) | Request a copy
	Text 8. Daftar Pustaka.pdf Download (376kB)
	Text 9. Lampiran.pdf Restricted to Repository staff only Download (1MB) | Request a copy

Abstract

Penelitian ini bertujuan untuk menganalisis pengaruh penggunaan N-gram terhadap klasifikasi Tugas Akhir mahasiswa di Fakultas Teknik Universitas Muhammadiyah Jember. Dalam penelitian ini, metode ekstraksi dan seleksi fitur menggunakan N-gram diimplementasikan bersama dengan algoritma K-Nearest Neighbors (KNN) untuk meningkatkan akurasi klasifikasi. Data yang digunakan terdiri dari teks abstrak Tugas Akhir yang diolah menjadi representasi fitur menggunakan teknik N-gram. Proses seleksi fitur dilakukan untuk memilih fitur-fitur yang paling signifikan dalam menentukan tingkat akurasi Tugas Akhir. Hasil penelitian menunjukkan bahwa penggunaan N-gram sebagai teknik ekstraksi fitur mampu meningkatkan kinerja klasifikasi secara signifikan. Evaluasi performa model dilakukan dengan menggunakan metrik akurasi, presisi, dan recall. Hasil penelitian menunjukkan bahwa dengan penambahan N-gram dan seleksi fitur kemudian diklasifikasikan dengan KNN, nilai akurasi mencapai 90%, presisi 93%, dan recall 90%. Sedangkan jika hanya menggunakan pembobotan TF-IDF vectorizer dan diklasifikasikan dengan KNN, nilai akurasi, presisi, dan recall masing-masing mencapai 100%. Ini menunjukkan bahwa meskipun N-gram dapat meningkatkan kinerja klasifikasi, dalam penelitian ini, TF-IDF vectorizer dengan KNN memberikan performa terbaik.

Item Type:	Thesis (Undergraduate)
Uncontrolled Keywords:	N-gram, klasifikasi teks, ekstraksi fitur, seleksi fitur, K-Nearest Neighbors (KNN)
Subjects:	000 Computer Science, Information, & General Works > 004 Data Processing, Computer Science
Divisions:	Faculty of Engineering > Department of Informatics Engineering (S1)
Depositing User:	ERRISA LULUT KUSTIANI
Date Deposited:	24 Jul 2024 03:33
Last Modified:	24 Jul 2024 03:33
URI:	http://repository.unmuhjember.ac.id/id/eprint/22237

Actions (login required)

View Item