Metode K-Means untuk Optimasi Klasifikasi Tema Tugas Akhir Mahasiswa Menggunakan Support Vector Machine (SVM)

Oman Somantri, Slamet Wiyono, Dairoh Dairoh

Abstract


Masih sulitnya dalam menentukan klasifikasi tema tugas akhir mahasiswa sering dialami oleh setiap perguruan tinggi. Algoritma SVM digunakan untuk mengklasifikasi jenis tema tugas akhir mahasiswa. SVM merupakan metode yang banyak digunakan untuk klasifikasi. K-Means Clustering merupakan metode pengelompokan paling sederhana yang mengelompokkan data kedalam k kelompok berdasar pada centroid masing-masing kelompok. Optimasi klasifikasi tema tugas akhir mahasiswa menggunakan SVM dan K-Means untuk meningkatkan tingkat akurasi. Hasil yang diperoleh memiliki tingkat akurasi yang lebih baik yaitu 86,21%.


Keywords


Text mining, Support Vector Machine, K-Means, Tugas Akhir

Full Text:

PDF

References


Gupta V. 2009. A Survey of Text Mining Techniques and Application. Journal of Emerging Technologies in Web Intelligence. Vol. 1: 60-75

Sebastiani F. 2002. Machine Learning in Automated Text Categorization. ACM Computing Surveys. Vol. 34(1): 1-47

Yang Y., & Liu X. 1999. A Re-Examination of Text Categorization Methods. In Proceedings 22nd Annual International ACM SIGIR Conference on Research and Development in Information Retrieval (SIGIR-99). Berkeley: 42-49.

Wulandini F & Nugroho A.N. 2009. Text Classification Using Support Vector Machine for Web mining Based Spation Temporal Analysis of the Spread of Tropical Diseases. International Conference on Rural Information and Communication Technology.

Trivedi S, Pardos A & Sar N. 2008. Spectral Clustering in Educational Data Mining. Department of Computer Science, Worcester Polytechnic Institute.

Prilianti KR & Wijaya H. 2014. Aplikasi Text Mining untuk Automasi Penentuan Tren Topik Skripsi dengan Metode K-Means Clustering, Jurnal Cybermatika, Vol. 2(1).

Jiang S., Pang G., Wu M., & Kuang L. 2012. An Improved K-Nearest- Neighbor Algorithm for Text Categorization. In Expert Systems With Applications.

Wangsa B.K., Utomo D., & Nugroho S. 2014. Sistem Peringkas Berita Otomatis berbasis Text Mining menggunakan Generalized Vector Space Model: STudi Kasus Berita diambil dari media Massa Online. Techne Jurnal Ilmiah Elektroteknika. Vol. 1(2) Oktober: 231-241.

Han, J., & Kamber, M. 2006. Data Mining: Concepts and Techniques, University of Illinois at Urbana-Champaign.

Berry, M. W. 2004. Survey of text mining. Computing Reviews. Vol 45(9): 548.

Yunliang, J., Qing, S., Jing, F., & Xiongtao, Z. 2010. The Classification for E- government Document Based on SVM. In Web Information Systems and Mining (WISM), 2010 International Conference on.Vol. 2: 257-260.

J.Z. Liang. 2004. SVM Multi-Classifier And Web Document Classification.

Proceedings of the IEEE Third International Conference on Machine Learning and Cybernetics.




DOI: https://doi.org/10.15294/sji.v3i1.5845

Refbacks

  • There are currently no refbacks.




Creative Commons License
This work is licensed under a Creative Commons Attribution 4.0 International License.