Zehansyah, Muhammad Bima (2019) Rekomendasi Multilabel Otomatis Pada Artikel Dengan Algoritme Fuzzy C-Means Dan K-Nearest Neighbor. Sarjana thesis, Universitas Brawijaya.
Abstract
Perkembangan teknologi informasi saat ini sangat cepat khususnya pada media elektronik. Hal tersebut didukung dengan adanya sebuah wadah untuk menyalurkan suatu peristiwa, pendapat, serta gagasan yang berasal dari masyarakat yang disebut citizen journalism yang dikemas dalam bentuk artikel online. Besarnya antusiasme citizen journalism tersebut sayangnya kurang didukung pada pelabelan secara otomatis pada artikel yang akan dibuat, salah satunya terdapat pada situs kompasiana.com dengan adanya pelabelan otomatis diharapkan mempermudah pengguna tanpa perlu melakukan pelabelan secara manual. Salah satu cara melakukan pelabelan otomatis yaitu dengan cara melakukan klasifikasi multilabel yaitu memprediksi label pada suatu artikel yang memungkin artikel tersebut dapat memiliki lebih dari satu label, dengan adanya klasifikasi multilabel juga bertujuan dapat meningkatkan kualitas information retrieval. Metode klasifikasi multilabel salah satunya dengan menggunakan algoritme Fuzzy C- Means dan K Nearest Neighboar (FCM-KNN) dengan adanya proses pengelompokkan pada data diharapkan menghemat waktu komputasi dalam pencarian k tetangga terdekat pada proses klasifikasi Multilabel K Nearest Neighboar (ML-KNN). Pada penelitian ini didapatkan pengujian terbaik saat melakukan proses klasifikasi yaitu saat k = 1, yang mana didapatkan evaluasi F1 = 93,33 % dan evaluasi BEP sebesar 93,75%. Dari hasil didapat menunjukkan bahwa penerapan metode klasifikasi FCM-KNN dapat digunakan untuk melakukan multilabel secara otomatis pada artikel online
English Abstract
The development of information technology is currently very fast especially in electronic media. It is supported by the existence of a container to channel events, opinions, and ideas that came from the community of so-called citizen journalism that is packaged in the form of articles online. The magnitude of such citizen journalism enthusiasm unfortunately less supported on labeling automatically on articles to be created, one of which is present on the site kompasiana.com with the automatic labeling is expected to facilitate the users without need to do manually labeling. One way of doing that is by way of automatic labeling do multilabel classification i.e. predict the label on an article which facilitates the article can have more than one label, with the multilabel classification is also aims can improve the quality of information retrieval. Multilabel classification method by using the Fuzzy C-Means algorithm and K Nearest Neighboar (FCM-KNN) with the process of grouping data expected to save time in the search for computing k nearest neighbors on the process Multilabel classification K Nearest Neighboar (ML-KNN). In this research the best test is obtained when performing classification process i.e. when k = 1, which obtained F1 = 93.33% of evaluation and evaluation of BEP of 93.75%. From the results obtained shows that the application of the method of classification of FCM-KNN can be used to perform the multilabel automatically on articles online.
Other obstract
-
| Item Type: | Thesis (Sarjana) |
|---|---|
| Identification Number: | SKR/FILKOM/2019/130/051902300 |
| Uncontrolled Keywords: | artikel online, klasifikasi multilabel, FCM-KNN, information retrieval, article online, multilabel classification, FCM-KNN, information retrieval |
| Subjects: | 000 Computer science, information and general works > 025 Operations of libraries, archives, information centers > 025.5 Services for users > 025.52 Reference and information services > 025.524 Information search and retrieval |
| Divisions: | Fakultas Ilmu Komputer > Teknik Informatika |
| Depositing User: | Nur Cholis |
| Date Deposited: | 15 Jun 2020 03:22 |
| Last Modified: | 24 Oct 2021 04:00 |
| URI: | http://repository.ub.ac.id/id/eprint/168987 |
Preview |
Text
Muhammad Bima Zehansyah (2).pdf Download (6MB) | Preview |
Actions (login required)
 |
View Item |