Optimasi klasifikasi jurnal international bereputasi menggunakan naive bayes terkorelasi / Risky Perdana Adiperkasa - Repositori Universitas Negeri Malang

Optimasi klasifikasi jurnal international bereputasi menggunakan naive bayes terkorelasi / Risky Perdana Adiperkasa

Adiperkasa, Risky Perdana (2020) Optimasi klasifikasi jurnal international bereputasi menggunakan naive bayes terkorelasi / Risky Perdana Adiperkasa. Diploma thesis, Universitas Negeri Malang.

Full text not available from this repository.

Abstract

RINGKASAN Adiperkasa Risky Perdana. 2019. Optimasi Klasifikasi Jurnal International Bereputasi Menggunakan Na ve Bayes Terkorelasi. Skripsi Program studi S1 Teknik Informatika Jurusan Elektro Fakultas Teknik Universitas Negeri Malang Pembimbing (I) Aji Prasetya Wibawa S.T. M.M.T. Ph.D. (II) Ilham Ari Elbaith Zaeni S.T. MT. Ph.D. Kata Kunci Klasifikasi Na ve Bayes Correlation Jurnal. Mahasiswa dapat lulus program sarjana apabila telah memiliki makalah yang terbit pada jurnal ilmiah. Dalam pengerjaan makalah penulis membutuhkan artikel ilmiah sebagai sumber pustaka yang relevan. Artikel dapat ditemukan di berbagai jurnal dengan skala yang beragam. Salah satu skala dari jurnal yaitu bereputasi international. Pada Journal Rangkins di dalam SCImago Journal and Country Rank (SJR) menampilkan peringkat dari berbagai jurnal international bereputasi. Peringkat jurnal yang ditawarkan oleh SJR semakin banyak digunakan sebagai bahan pertimbangan. Penilaian peringkat biasa disebut Quartile(Q) diantaranya yaitu Q1 Q2 Q3 dan Q4. Akan tetapi penilaian kategori Q setiap bidang studi tidak sama seperti suatu jurnal Q1 di bidang X bisa jadi nilainya lebih rendah dibandingkan jurnal Q3 atau Q4 pada bidang Y. Oleh sebab itu untuk mengetahui kejelasan dari ketimpangan tersebut diterapkan salah satu algoritma klasifikasi dalam data mining yaitu Na ve Bayes(NB). Algoritma ini digunakan untuk mengklasifikasi jurnal berdasarkan kelas kuartilnya. Akan tetapi NB masih memiliki kelemahan pada sifat independensi fiturya. Untuk mengatasi kelemahan tersebut diterapkan metode optimasi yaitu correlation dengan konsep yang disebut inter-correlated. Metode optimasi ini bertindak sebagai feature selection dari kumpulan data yang tidak relevan. Optimasi NBC dengan algoritma Correlation dapat disebut dengan Inter-correlated Na ve Bayes Classifier (I-NBC). Data penelitian diperoleh dari website perankingan jurnal yakni SJR. Data diambil pada tanggal 5 Januari 2019 berisi data Journal Rankings bidang Computer Science pada rentang tahun 2014 9472 2017. Dataset terdiri dari 7191 instance dengan 18 attribut. Penelitian ini terdiri dari empat tahapan. Tahap pertama diawali dengan pengumpulan dataset. Tahap kedua dilakukan preprocessing. Tahap ketiga dilakukan classification diawali dengan menentukan komposisi data training dan testing dengan metode K-fold Cross Validation. Tahap terakhir yaitu evaluasi. Pada kasus ini Inter Correlation Based Fitur Selection dapat mengoptimasi NBC (I-NBC). Dibuktikan dengan meningkatnya rata-rata dari nilai accuracy recall dan precision dari skenario 1 ke 7 sebesar 5.42% 4.92% 5.94%. Berdasarkan keseluruhan hasil didapatkan tingkat performa accuracy recall precison tertinggi terletak pada skenario 7 iterasi ke-2 sebesar 70.34% 69.43% 69.92%.

Item Type: Thesis (Diploma)
Subjects: ?? ??
Divisions: Fakultas Teknik (FT) > Departemen Teknik Elektro (TE) > S1 Teknik Informatika
Depositing User: Users 2 not found.
Date Deposited: 14 Jan 2020 04:29
Last Modified: 09 Sep 2020 03:00
URI: http://repository.um.ac.id/id/eprint/99049

Actions (login required)

View Item View Item