Alfiyanto, Eko (2014) Pengklasifikasian Kritik Dan Saran Dengan Menggunakan Metode Fuzzy K-Nearest Neighbour (F-KNN). Sarjana thesis, Universitas Brawijaya.
Abstract
Kritik dan saran merupakan sebuah pendukung dari perkembangan suatu instansi. Kritik dan saran dapat menjadi ide ataupun informasi tentang kelemahan yang ada pada instansi tersebut. Semakin bertambahnya kritik dan saran terhadap suatu instansi tersebut dibutuhkan pengklasifikasian terhadap kritik dan saran berdasarkan topik yang dibahas sehingga perbaikan dan perkembangan dapat lebih cepat dilaksanakan. Pada penelitian ini digunakan metode Fuzzy k-Nearest Neighbour yang merupakan gabungan dari logika Fuzzy dan k-NN. Pada pengklasifikasian kritik dan saran ini, data uji yang akan diklasifikasi akan diberikan nilai keanggotaan untuk tiap kelas berdasarkan sejumlah k dokumen dengan nilai kemiripan atau nilai jarak yang tertinggi. Proses klasifikasi dilakukan dengan memilih nilai keanggotaan kelas tertinggi pada data uji tersebut. Pada penelitian ini dilakukan pengujian 50 data uji terhadap penggunaan data latih sebanyak 50, 75, 100, 125, 150, dan 175 data dan didapatkan hasil nilai f-measure paling tinggi yaitu 0,50455 pada penggunaan data latih 175 data dengan nilai k = 2. Pengujian metode pencarian jarak membandingkan antara metode cosine similarity dan eulidean distance, diperoleh hasil nilai f-measure pada penggunaan metode cosine similarity lebih baik dibandingkan metode euclidean distance.
English Abstract
Criticisms and suggestions are a part of development support in an institute. Criticisms and suggestions can be ideas or information about weaknesses in the institute. The increasing number of criticisms and advices addressed in the institute needs a classification about the criticisms and advices based on the topic which is being discussed so the improvement and development can be quickly done. In this research, the method used is Fuzzy k-Nearest Neighbour algorithm which are combination of Fuzzy logic and k-NN. In this criticisms and suggestions classification, the test data which will be classified will be given a membership value for each class based on k documents with highest similarity or distance value. The classification process is done by choosing the highest member value in the test-data. In this research, 50 test-data will be tested with training data which is the value of training data are 50, 75, 100, 125, 150, and 175 data and the highest f-measure result is 0,50455 from 175 training data with value of k = 2. Distance measurement method‟s test are comparing between cosine similarity method and euclidean distance method, had result that f-measure of cosine similarity method is better than euclidean distance method.
| Item Type: | Thesis (Sarjana) |
|---|---|
| Identification Number: | SKR/FTIK/2014/194/051405114 |
| 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: | 03 Nov 2014 13:27 |
| Last Modified: | 20 Oct 2021 04:40 |
| URI: | http://repository.ub.ac.id/id/eprint/145981 |
Preview |
Text
SKRIPSI_EKO__0810960043_(fix).pdf Download (5MB) | Preview |
Actions (login required)
 |
View Item |