Klasifikasi lirik lagu daerah menggunakan metode support vector machine dengan berbagai kernel / Fabyan Raif Erlangga

Erlangga, Fabyan Raif Erlangga (2022) Klasifikasi lirik lagu daerah menggunakan metode support vector machine dengan berbagai kernel / Fabyan Raif Erlangga. Diploma thesis, Universitas Negeri Malang.

Full text not available from this repository.

Abstract

Indonesia adalah bangsa yang memiliki berbagai kekayaan seni dan budaya. Salah satu bentuk karya seni yang dimiliki di setiap daerah adalah lagu. Semua daerah di Indonesia memiliki lagu daerah dengan ciri khas masing-masing. Indonesia juga memiliki lagu nasional yang menggunakan lirik bahasa Indonesia yang berisi tentang persatuan di antara keberagaman yang ada di Indonesia. Berdasarkan buku lagu daerah yang dikeluarkan oleh KEMDIKBUD Indonesia memiliki 439 lagu daerah dari seluruh Indonesia. Lagu daerah yang bermacam ragam dan cirinya maka akan menyulitkan untuk mengetahui asal lagu daerah tersebut. Dari masalah tersebut penelitian ini mencoba untuk menemukan solusi menentukan asal lagu daerah menggunakan metode Support Vector Machine. Jumlah Data yang digunakan berjumlah 570 dataset yang dikumpulkan dari berbagai macam sumber. Dataset tersebut berisi lagu daerah dari seluruh daerah di Indonesia dan lagu nasional yang selanjutnya akan diklasifikasikan berdasarkan asal daerah yang berjumlah 30 asal daerah dan lagu nasional. Dalam penelitian ini digunakan metode Support Vector Machine (SVM). SVM adalah metode yang dapat digunakan untuk melakukan klasifikasi menggunakan konsep hyperplane yang dapat memisahkan data menurut class-nya. Sebelum dilakukan klasifikasi terlebih dahulu dilakukan proses preprocessing dan pembobotan. Preprocessing yang digunakan adalah pembersihan dokumen tokenizing dan case folding. Pembobotan kata menggunakan metode Term Frequency-Inverse Document Frequency (TF-IDF). Kernel trick digunakan untuk mentransformasi data ke dimensi yang lebih tinggi menggunakan kernel function. Kernel yang digunakan yaitu linear polynomial radial basis function (RBF) dan sigmoid. Hasil dari pengujian ini menunjukkan bahwa metode SVM menggunakan kernel RBF memiliki hasil sangat baik dengan akurasi 99.69% dengan nilai C 10 dan gamma 0.1

Item Type:	Thesis (Diploma)
Subjects:	?? ??
Divisions:	Fakultas Teknik (FT) > Departemen Teknik Elektro (TE) > S1 Teknik Informatika
Depositing User:	Users 2 not found.
Date Deposited:	17 Nov 2022 04:29
Last Modified:	09 Sep 2022 03:00
URI:	http://repository.um.ac.id/id/eprint/264931

Actions (login required)

View Item