PERBANDINGAN AKURASI ALGORITMA MULTINOMIAL NAIVE BAYES (MNB) DAN K-NEAREST NEIGHBOUR (KNN) DALAM KLASIFIKASI ABSTRAK TUGAS AKHIR (STUDI KASUS: FAKULTAS TEKNIK UNIVERSITAS MUHAMMADIYAH JEMBER)

Nugroho, Yuka Reksa (2020) PERBANDINGAN AKURASI ALGORITMA MULTINOMIAL NAIVE BAYES (MNB) DAN K-NEAREST NEIGHBOUR (KNN) DALAM KLASIFIKASI ABSTRAK TUGAS AKHIR (STUDI KASUS: FAKULTAS TEKNIK UNIVERSITAS MUHAMMADIYAH JEMBER). Undergraduate thesis, Universitas Muhammadiyah Jember.

	Text a. PENDAHULUAN.pdf Download (1MB)
	Text b. ABSTRAK.pdf Download (362kB)
	Text c. BAB I.pdf Download (523kB)
	Text d. BAB II.pdf Download (1MB)
	Text e. BAB III.pdf Download (2MB)
	Text f. BAB IV.pdf Download (1MB)
	Text g. BAB V.pdf Download (355kB)
	Text h. DAFTAR PUSTAKA.pdf Download (542kB)
	Text i. LAMPIRAN.pdf Download (3MB)
	Text j. JURNAL.pdf Download (1MB)

Abstract

Tugas akhir merupakan salah satu syarat yang harus dipenuhi oleh mahasiswa untuk menyelesaikan pendidikan di suatu universitas. Pengelolaan kata yang terdapat pada abstrak memiliki suatu kemiripan antara abstrak satu dengan yang lainnya sehingga terjadi ambiguitas pengolompokan beberapa kategori. Hal tersebut juga membuat pengelompokan abstrak Tugas Akhir secara manual mengalami kesulitan. Tujuan dari penelitian ini adalah mengetahui tingkat akurasi seleksi atribut dalam klasifikasi abstrak tugas akhir Pada penelitian ini dilakukan klasifikasi dokumen terhadap abstrak Tugas Akhir mahasiswa Fakultas Teknik Universitas Muhammadiyah Jember. Data yang digunakan dalam penelitian ini adalah abstrak Tugas Akhir pada Teknik Elektro, Teknik Sipil, Teknik Informatika, Teknik Mesin, dan Manajemen Informatika. Metode klasifikasi pada penelitian ini adalah membandingkan algoritma Multinomial Naive Bayes dan K-Nearest Neighbour, dikarenakan belum ada penelitian yang membandingkan algoritma MNB dan KNN dalam kasus klasifikasi abstrak tugas akhir. Hasil pengujian dari penelitian ini secara keseluruhan, algoritma MNB di dapatakan hasil rata-rata akurasi sebesar 78%, rata-rata presisi sebesar 80%, dan rata-rata recall sebesar 80%. Sedangkan algoritma KNN mendapatkan hasil rata-rat akurasi sebesar 81%, rata-rata presisi seberas 82%, dan rata-rata recall sebesar 82%.

Item Type:

Thesis (Undergraduate)

Uncontrolled Keywords:

Klasifikasi dokumen, Abstrak, Multinomial Naïve Bayes, K-Nearest Neighbour

Subjects:

000 Computer Science, Information, & General Works > 004 Data Processing, Computer Science

Divisions:

Faculty of Engineering > Department of Informatics Engineering (S1)

Department:

S1 Teknik Informatika

Depositing User:

Yuka Reksa Nugroho