Evaluasi kinerja metode SVM sebagai pengklasifikasi jurnal internasional / Sandika Maulana Putra

Putra, Sandika Maulana (2020) Evaluasi kinerja metode SVM sebagai pengklasifikasi jurnal internasional / Sandika Maulana Putra. Diploma thesis, Universitas Negeri Malang.

Full text not available from this repository.

Abstract

RINGKASAN Putra, Sandika Maulana. 2019. Evaluasi Kinerja Metode SVM Sebagai Pengklasifikasi Jurnal Internasional. Skripsi. Jurusan Teknik 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., M.T., Ph.D. Kata kunci:Support Vector Machine , Klasifikasi, SCImago Journal Rank Identifikasi jurnal mengacu pada sebuah media yang menyatakan publikasi penelitian yang didukung dengan fakta yang kuat diantaranya membutikan kompleksitas data serta ciri khas dari penelitian tersebut. Sering kali jurnal juga diperluas dengan kualitas dari sebuah jurnal ilmiah yang tentunya ini akan memperlihatkan perangkingan dalam sebuah jurnal. Indeks yang mengatur itu serta telah memiliki reputasi yang tinggi diantaranya Scimago Journal Rank (SJR). Namun dalam database tersebut seringkali ditemukan hasil yang kurang optimal. Oleh karena itu, penelitian ini ditujukan agar menemukan metode alternatif dalam pendekatan klasifikasi SJR. Penelitian ini akan menggunakan metode SVM. SVM ini dipilih karena memiliki unsur yang dianggap sesuai dengan ciri khas data yang dimiliki. SVM bekerja menggunakan ruang berdimensi tinggi. Sistem klasifikasi ini tergolong sederhana tapi mampu menghasilkan kinerja yang optimal. Klasifikasi yang dilakukan akan melakukan perbandingan terhadap keempat fungsi kernel pada SVM. Berkaitan dengan hasil penelitian, hasil klasifikasi terbaik diperoleh pada tahapan output klasifikasi. Hal tersebut dibuktikan dengan nilai akurasi yang diperoleh terhadap keempat fungsi kernel yaitu 61.09%, 35.94%, 25.39%, 31.09%. Dari hasil tersebut diperoleh rata-rata yang dicapai dalam performa terbaik nilai akurasi hanya mencapai 61.09%. Maka dari itu hal ini memunculkan asumsi bahwa SVM kurang bisa menghasilkan kinerja optimal dalam kaitan klasifikasi SJR.

Item Type: Thesis (Diploma)
Subjects: ?? ??
Divisions: Fakultas Teknik (FT) > Jurusan 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/99050

Actions (login required)

View Item View Item