Bhaskara,Radika (2012) Klasifikasi Emosi Pada Berita Berbahasa Indonesia Menggunakan Algoritma K-Nearest Neighbor (K-Nn). Sarjana thesis, Universitas Brawijaya.
Abstract
Sebuah informasi digital berupa teks banyak yang dilengkapi oleh sebuah emosi, ditujukan agar seseorang mudah untuk memilih berita dengan situasi apa yang ingin mereka baca hari ini. Pada informasi teks dibutuhkan klasifikasi untuk penggalian informasinya. Proses klasifikasi emosi pada teks memiliki data set yang telah ditentukan kategorinya yaitu malu, marah, senang, sedih dan takut. Dalam teks mining terdapat banyak metode yang digunakan untuk mengklasifikasikan teks, dan yang paling terkenal yaitu metode K-NN . Metode ini sering sekali digunakan dalam penelitian – penelitian tentang teks mining. Dalam klasifikasi emosi pada teks berita bahasa Indonesia ini cara kerja Metode K-NN adalah mengambil data uji yang terdekat dengan kategori data latih yang telah di lakukan proses pelatihan. Pengambilan jarak terdekat ini didasarkan pada proses perhitungan kemiripan antara data uji dan data latih. Kemudian di ambil nilai k untuk proses pengkategorian berdasarkan nilai kemiripan yang telah dihitung Dari proses pengujian diperoleh nilai F-Measure yang tertinggi didapat pada pengujian ke lima dengan rasio jumlah data latih 80:20 dan k=2, k=4 yaitu 0,787. Sedangkan yang terendah diperoleh pada saat percobaan pertama dengan jumlah data latih 100, dan k= 2 menghasilkan F-Measure sebesar 0,722.
| Item Type: | Thesis (Sarjana) |
|---|---|
| Identification Number: | SKR/MIPA/2012/113/051200867 |
| Subjects: | 500 Natural sciences and mathematics > 510 Mathematics |
| Divisions: | Fakultas Matematika dan Ilmu Pengetahuan Alam > Matematika |
| Depositing User: | Endang Susworini |
| Date Deposited: | 06 Jul 2012 14:04 |
| Last Modified: | 22 Oct 2021 16:56 |
| URI: | http://repository.ub.ac.id/id/eprint/152948 |
Preview |
Text
daftar_isi.pdf Download (1MB) | Preview |
Preview |
Text
DAFTAR_PUSTAKA.pdf Download (1MB) | Preview |
Preview |
Text
Laporan.pdf Download (3MB) | Preview |
Actions (login required)
 |
View Item |