Santoso, Dedy (2014) Perbandingan Kinerja Metode Naïve Bayes, K-Nearest Neighbor, dan Metode Gabungan K-Means dan LVQ dalam Pengkategorian Buku Komputer Berbahasa Indonesia Berdasarkan Judul dan Sinopsis. Sarjana thesis, Universitas Brawijaya.
Abstract
Pengkategorian buku merupakan kegiatan penting yang harus dilakukan dalam perpustakaan. Pada umumnya, pustakawan akan mengalami kendala dalam pengkategorian buku, karena biasanya pustakawan masih menggunakan cara yang kurang efisien. Perkembangan teknologi informasi seharusnya dapat dipakai untuk membantu pustakawan dalam mengkategorikan buku, seperti dengan memanfaatkan program pengkategorian buku secara otomatis. Namun metode yang dapat dipakai sangat banyak. Untuk itu, penelitian ini bertujuan untuk mencari metode terbaik dalam mengkategorikan buku, khususnya buku komputer berbahasa Indonesia. Penelitian ini membatasi metode pengkategorian pada metode k-nearest neighbor (KNN), Naive Bayes, dan metode gabungan k-means dan LVQ. Data yang dipakai berjumlah 200 buku komputer tersebar dalam 5 kategori, dimana 150 buku digunakan sebagai data latih dan 50 buku digunakan sebagai data uji. Untuk pengujian, dilakukan pengujian untuk mencari nilai atribut ideal dari masing-masing metode terlebih dahulu, karena atribut sangat mempengaruhi akurasi hasil percobaan. Selanjutnya dilakukan pengujian kembali dengan menggunakan atribut ideal yang telah dicari untuk mengetahui metode terbaik di antara 3 atribut terpilih. Hasil pengujian menunjukkan bahwa rata-rata akurasi metode KNN adalah 96%, sedangkan metode Naive Bayes adalah 98%, dan metode gabungan k-means dan LVQ adalah 92,2%. Penelitian ini menyimpulkan bahwa metode terbaik dalam mengkategorikan buku komputer berbahasa Indonesia adalah metode Naive Bayes.
English Abstract
Categorizing books is an important activity that should be done in the library. In General, librarians will meet some troubles in categorizing books, because usually they still use a less efficient ways. The development of information technology should be used to assist librarians in categorizing books, such as by utilizing the program automatically categorizing books. However, the there are many methods that can be used. Because of it, this study aims to find the best method of categorizing books, especially Indonesian language computer books. This study limits the categorization methods on k-nearest neighbor (KNN), Naive Bayes, and combined methods of k-means and LVQ. The data used computer books totaling 200 dispersed in 5 categories, in which 150 books are used as training data and 50 books are used as testing data. For testing, first testing is used to find the ideal attribute values of each method, because the attributes greatly affect the accuracy of test results. Further, test again using the ideal attributes that have sought before to find out the best method among the three selected methods. The test results showed that the average accuracy of KNN method was 96%, whereas Naive Bayes method is 98%, and average accuracy of the combined method of k-Means and LVQ was 92.2%, with highest accuracy was 96%. This study concluded that the best method of categorizing Indonesian language computer books is Naive Bayes method.
Item Type: | Thesis (Sarjana) |
---|---|
Identification Number: | SKR/FTIK/2014/182/051404695 |
Subjects: | 000 Computer science, information and general works > 005 Computer programming, programs, data |
Divisions: | Fakultas Ilmu Komputer > Teknik Informatika |
Depositing User: | Budi Wahyono Wahyono |
Date Deposited: | 19 Aug 2014 09:29 |
Last Modified: | 20 Oct 2021 04:33 |
URI: | http://repository.ub.ac.id/id/eprint/145968 |
Preview |
Text
BAB_I_-_0910960029.pdf Download (1MB) | Preview |
Preview |
Text
BAB_II_-_0910960029.pdf Download (2MB) | Preview |
Preview |
Text
BAB_V_-_0910960029.pdf Download (2MB) | Preview |
Preview |
Text
BAB_III_-_0910960029.pdf Download (5MB) | Preview |
Preview |
Text
BAB_VI_-_0910960029.pdf Download (1MB) | Preview |
Preview |
Text
BAB_IV_-_0910960029.pdf Download (3MB) | Preview |
Preview |
Text
cover_-_0910960029.pdf Download (1MB) | Preview |
Preview |
Text
daftar_isi_-_0910960029.pdf Download (1MB) | Preview |
Preview |
Text
Daftar_Pustaka_-_0910960029.pdf Download (1MB) | Preview |
Preview |
Text
Lampiran_-_0910960029.pdf Download (2MB) | Preview |
Actions (login required)
![]() |
View Item |