klasifikasi popularitas artikel berita untuk materi pembelajaran menggunakan algoritma k-nearest neighbor / muhammad khoirul anam - Repositori Universitas Negeri Malang

klasifikasi popularitas artikel berita untuk materi pembelajaran menggunakan algoritma k-nearest neighbor / muhammad khoirul anam

Anam, Muhammad Khoirul Anam (2021) klasifikasi popularitas artikel berita untuk materi pembelajaran menggunakan algoritma k-nearest neighbor / muhammad khoirul anam. Diploma thesis, Universitas Negeri Malang.

Full text not available from this repository.

Abstract

Saat ini banyak sekali artikel yang tersedia di internet. Mulai dari artikel untuk anak hingga artikel untuk orang dewasa. Dari sekian banyak artikel tersebut membuat pencarian artikel yang sesuai dengan umur pelajar sangat sulit untuk dilakukan. TweenTribune adalah sebuah laman online yang menyediakan berbagai artikel berita harian untuk anak-anak remaja dan guru (Wertz and Saine 2014). TweenTribune juga terdapat nilai lexile level yang digunakan untuk mengukur kemampuan membaca seseorang dengan tingkat kesulitan bahan bacaannya (Pujianto et al. 2019). Tujuan dari penelitian ini adalah mengelompokkan artikel berdasarkan tingkat popularitasnya berdasarkan komentar dan jumlah viewer yang tersedia di TweenTribune. Pengelompokan kategori tersebut dilakukan dengan menggunakan metode K-Means Clustering. Setiap data yang sudah dikelompokan akan dihitung jumlah kata unik yang terdapat didalamnya. Jumlah kata unik akan dijadikan sebagai tolak ukur kemiripan data satu dengan data yang lain. Proses klasifikasi data dilakukan dengan menggunakan algoritma K-Nearest Neighbor dengan validasi menggunakan metode K-Fold Cross Validation K 10. Hasil dari klasifikasi menunjukkan bahwa artikel dengan kategori populer yaitu berisi data dengan komentar dan assigned paling banyak. Sedangkan kategori sedang berisi data dengan rata-rata komentar dan assigned yang berada ditengah ndash tengah antara kategori populer dan tidak populer. Dan kategori tidak populer berisi data dengan rata-rata komentar dan assigned yang rendah. Hal tersebut ditunjukkan pada tingkat akurasi klasifikasi yang cukup tinggi yaitu 94.56% menggunakan skenario 2.

Item Type: Thesis (Diploma)
Subjects: ?? ??
Divisions: Fakultas Teknik (FT) > Departemen Teknik Elektro (TE) > S1 Teknik Informatika
Depositing User: library UM
Date Deposited: 19 Aug 2021 04:29
Last Modified: 09 Sep 2021 03:00
URI: http://repository.um.ac.id/id/eprint/152094

Actions (login required)

View Item View Item