KLASIFIKASI DOSEN PEMBIMBING TUGAS AKHIR … · Kedua, digunakan satu parameter data yaitu judul tugas akhir. Hasil pengujian dari ... pada penelitian tugas akhir ini, klasifikasi

i

KLASIFIKASI DOSEN PEMBIMBING TUGAS AKHIR

DENGAN METODE SUPPORT VECTOR MACHINE (SVM)

TUGAS AKHIR

Diajukan Untuk Memenuhi

Persyaratan Guna Meraih Gelar Sarjana Strata 1

Teknik Informatika Universitas Muhammadiyah Malang

Lisa Noor Arida

201210370311043

JURUSAN TEKNIK INFORMATIKA

FAKULTAS TEKNIK

UNIVERSITAS MUHAMMADIYAH MALANG

2016

ii

ABSTRAK

Penentuan dosen pembimbing di Jurusan Teknik Informatika Universitas

Muhammadiyah Malang masih dilakukan secara manual dengan mengandalkan

pengetahuan pribadi tentang keahlian dosen yang dibutuhkan. Oleh karena itu

dibutuhkan analisis tentang keahlian dosen yang sesuai dengan topik tugas akhir

mahasiswa. Penelitian sebelumnya telah menerapkan metode Neural Network

(ANN) untuk klasifikasi dosen pembimbing tugas akhir. Pada penelitian ini, metode

klasifikasi dengan Support Vector Machine (SVM) akan digunakan untuk

mengklasifikasi dosen pembimbing tugas akhir. Jenis SVM yang digunakan adalah

multi class SVM one against one menggunakan kernel linear, polynomial, dan

Radial Basis Function (RBF). Pengujian dilakukan dengan skenario menggunakan

2 metode processing data dan 2 macam parameter data. Metode preprocessing data

pertama menggunakan stemming dan yang kedua dilakukan preprocessing data

tanpa stemming. Selanjutnya, parameter data dibagi menjadi 2 macam. Pertama,

parameter data yang digunakan adalah judul tugas akhir, abstrak dan keyword.

Kedua, digunakan satu parameter data yaitu judul tugas akhir. Hasil pengujian dari

perbandingan skenario dan ketiga kernel menunjukkan bahwa metode

preprocessing data kedua dengan parameter judul tugas akhir, abstrak dan keyword

menggunakan kernel polynomial dengan nilai cost (C) sama dengan 32 dan degree

(d) sama dengan 2 menghasilkan performansi terbaik dengan rata-rata akurasi

sebesar 28.10%, presisi sebesar 27.25%, recall sebesar 2.94%, f-measure sebesar

3.01%, dan running time 1.468 menit. Dari hasil pengujian ditunjukkan juga bahwa

hasil akurasi, presisi, recall dan f-measure masing-masing skenario memberikan

hasil yang belum signifikan pada setiap kernel sehingga dapat disimpukan bahwa

pada penelitian tugas akhir ini, klasifikasi dosen pembimng tugas akhir dengan

metode SVM belum dapat bekerja secara optimal.

Kata kunci: klasifikasi dosen pembimbing, support vector machine, multi class

SVM one agains one

iii

ABSTRACT

In Informatics Engineering Department of Muhammadiyah Malang

University, the advisors were chosen manually by relying on personal

consideration about the qualification of the advisors. Therefore, an analysis about

the qualification was needed to determine the advisors that were suitable for the

students’ thesis. Previous research applied Neural Network (ANN) method in

classifying the advisors, meanwhile, this research used Support Vector Machine

(SVM). The type of SVM used was multi class SVM one against one. It used kernel

linear, polynomial, and Radial Basis Function (RBF). The research was done by

using 2 methods of data processing and 2 types of data parameter. First

preprocessing method used stemming and the second was without stemming.

Furthermore, data parameters were divided into two types. Firstly, data parameter

were the thesis title, abstract, and keyword. Secondly, it only used one data

parameter which was thesis title. The result of the study showed that the second

data preprocessing with thesis title, abstract, and keyword as paramater which used

kernel polynomial, the cost value was equal to 32 and the degree (d) was equal to

2. It showed the best performance with an average accuracy of 28.10%, 27.25%

precision, 2.94% recall, 3.01% f-measure, and running time for 1,468 minutes. The

conclusion was the result of accuracy, precision, recall, and f-measure did not give

significant result to each kernel. In other words, the study of classifying the thesis

advisors by using SVM did not work optimally.

Keywords: classifying the advisors, support vector machine, multi class SVM one

agains one

iv

LEMBAR PERSETUJUAN



TUGAS AKHIR

Sebagai Persyaratan Guna Meraih Gelar Sarjana Strata 1


Disusun Oleh:

Lisa Noor Arida

201210370311043

Menyetujui,

Pembimbing 1

Ali S. Kholimi, M.Kom

NIDN : 070103202


NIP. 108.1410.0526

Pembimbing II

Yuda Munarko, S.Kom., M.Sc.

NIDN : 0706077902


NIP. 108.0611.0443

v

LEMBAR PENGESAHAN



TUGAS AKHIR

Sebagai Persyaratan Guna Meraih Gelar Sarjana Strata 1


Disusun Oleh:

Lisa Noor Arida

201210370311043

Tugas Akhir ini telah di uji dan dinyatakan lulus melalui sidang majelis penguji

Menyetujui,

Mengetahui,

Ketua Jurusan Teknik Informatika


NIDN : 0706077902

Penguji 1

Setio Basuki, M.T

NIDN : 0714028403


NIP. 108.1410.0526

Penguji II

Wahyu Andhyka K., M.Kom.

NIDN : 0720068701


NIP. 108.0611.0443

vi

LEMBAR PERNYATAAN

Yang bertanda tangan dibawah ini:

NAMA : LISA NOOR ARIDA

NIM : 201210370311043

FAK/JUR : TEKNIK/TEKNIK INFORMATIKA

Dengan ini saya menyatakan bahwa Tugas Akhir dengan judul

“KLASIFIKASI DOSEN PEMBIMBING TUGAS AKHIR DENGAN

METODE SUPPORT VECTOR MACHINE (SVM)” beserta seluruh isinya

adalah karya saya sendiri dan bukan merupakan karya orang lain, baik sebagian

maupun seluruhnya, kecuali dalam bentuk kutipan yang telah saya sebutkan

sumbernya.

Demikian surat pernyataan ini saya buat dengan sebenar-benarnya. Apabila

kemudian ditemukan adanya pelanggaran terhadap etika keilmuan dalam karya

saya ini, atau ada klaim dari pihak lain terhadap keaslian karya saya ini maka saya

siap menanggung segala bentuk resiko/sanksi yang berlaku.

Malang, Agustus 2016

Mengetahui,

Yang Menyatakan

Lisa Noor Arida

NIM : 201210370311043

Pembimbing 1


NIDN : 070103202


NIP. 108.1410.0526

Pembimbing II


NIDN : 0706077902


vii

LEMBAR PERSEMBAHAN

Tugas akhir ini dapat diselesaikan berkat bantuan dari berbagai pihak yang

turut serta berbagi doa dan dukungan. Untuk itu semua, saya persembahkan tugas

akhir ini dan berterima kasih kepada:

1. Allah SWT yang maha memberi petunjuk. Alhamdulillah Allah telah

memberikan saya keteguhan hati dan kesabaran.

2. Kedua orang tua saya, H. M. Noor dan Hj. Rozana Arida. Jika Allah berkenan

menjadikan tiap huruf dalam tugas akhir ini sebagai kebaikan, maka kebaikan

itu pertama-tama akan menjadi hak mereka.

3. Dosen pembimbing Bapak Ali S. Kholimi dan Bapak Yuda Munarko yang

selalu sabar dalam meberikan arahan.

4. Pihak Dosen pengajar yang telah memberikan ilmunya beserta Staff TU

Jurusan Teknik Informatika UMM.

5. Teman-teman asisten Lab. Informatika UMM 2012. Terima kasih telah

bersedia bertukar pikiran dan berbagi ilmu.

6. Geng Hacker dan teman-teman seperjuangan Teknik Informatika 2012 UMM.

7. Calon pasangan hidup, Ramadhana Fitryanto dan sahabat terbaik Siti Faridah

Azmi yang selalu mendengarkan keluh kesah saya.

8. Semua pihak yang tidak dapat saya sebutkan satu persatu yang telah berjasa

dalam pengerjaan tugas akhir ini.

viii

KATA PENGANTAR

Dengan memanjatkan puji syukur kehadirat Allah SWT. Atas segala

limpahan rahmat dan hidayah-NYA sehingga peneliti dapat menyelesaikan Tugas

Akhir yang berjudul:

“KLASIFIKASI DOSEN PEMBIMBING TUGAS AKHIR DENGAN

METODE SUPPORT VECTOR MACHINE (SVM)”

Dalam penulisan tugas akhir ini disajikan pokok-pokok bahasan yang

meliputi perancangan dan implementasi algoritma Support Vector Machine untuk

klasifikasi dosen pembimbing tugas akhir.

Saya menyadari sepenuhnya bahwa dalam penulisan Tugas Akhir ini masih

banyak kekurangan dan keterbatasan. Oleh karena itu saya mengharapkan saran

yang membangun agar tulisan ini bermanfaat bagi perkembangan ilmu pengetahuan

kedepan.

Malang, Agustus 2016

Penulis

ix

DAFTAR ISI

ABSTRAK .............................................................................................................. ii

ABSTRACT ........................................................................................................... iii

LEMBAR PERSETUJUAN................................................................................... iv

LEMBAR PENGESAHAN .................................................................................... v

LEMBAR PERNYATAAN ................................................................................... vi

LEMBAR PERSEMBAHAN ............................................................................... vii

KATA PENGANTAR ......................................................................................... viii

DAFTAR ISI .......................................................................................................... ix

DAFTAR GAMBAR ........................................................................................... xiii

DAFTAR TABEL ................................................................................................ xvi

BAB I PENDAHULUAN ..................................... Error! Bookmark not defined.

1.1 Latar Belakang......................................... Error! Bookmark not defined.

1.2 Rumusan Masalah ................................... Error! Bookmark not defined.

1.3 Batasan Masalah ...................................... Error! Bookmark not defined.

1.4 Tujuan Penelitian ..................................... Error! Bookmark not defined.

1.5 Metodologi .............................................. Error! Bookmark not defined.

1.6 Sistematika Penulisan .............................. Error! Bookmark not defined.

BAB II LANDASAN TEORI ............................... Error! Bookmark not defined.

2.1 Studi Literatur .......................................... Error! Bookmark not defined.

2.2 Text Mining .............................................. Error! Bookmark not defined.

2.3 Processing Data ....................................... Error! Bookmark not defined.

2.3.1 Case folding ..................................... Error! Bookmark not defined.

2.3.2 Remove Number & Punctuation....... Error! Bookmark not defined.

2.3.3 Tokenizing ........................................ Error! Bookmark not defined.

2.3.4 Stemming .......................................... Error! Bookmark not defined.

2.3.5 Stop Words Removal ........................ Error! Bookmark not defined.

2.3.6 Eliminating Extra Whitespace.......... Error! Bookmark not defined.

2.4 Pembobotan TF-IDF ................................ Error! Bookmark not defined.

2.5 Klasifikasi ................................................ Error! Bookmark not defined.

2.6 Support Vector Machine (SVM) ............. Error! Bookmark not defined.

x

2.6.1 Konsep SVM .................................... Error! Bookmark not defined.

2.6.2 SVM Linear ...................................... Error! Bookmark not defined.

2.6.3 SVM Non Linear .............................. Error! Bookmark not defined.

2.6.4 Multi Class SVM.............................. Error! Bookmark not defined.

2.7. Estimasi Parameter .................................. Error! Bookmark not defined.

2.8 Metode Pengujian .................................... Error! Bookmark not defined.

2.8.1 Akurasi ............................................. Error! Bookmark not defined.

2.8.2 Presisi ............................................... Error! Bookmark not defined.

2.8.3 Recall................................................ Error! Bookmark not defined.

2.8.4 F-measure ........................................ Error! Bookmark not defined.

BAB III ANALISA DAN PERANCANGAN SISTEM ..... Error! Bookmark not

defined.

3.1 Data Penelitian......................................... Error! Bookmark not defined.

3.2 Analisa Data ............................................ Error! Bookmark not defined.

3.3 Preprocessing Data ................................. Error! Bookmark not defined.

3.3.1. Case Folding .................................... Error! Bookmark not defined.

3.3.2 Remove Number & Punctuation....... Error! Bookmark not defined.

3.3.3 Tokenizing ........................................ Error! Bookmark not defined.

3.3.4 Stemming .......................................... Error! Bookmark not defined.

3.3.5 Stop Words Removal ........................ Error! Bookmark not defined.

3.3.6 Eliminating Extra Whitespace.......... Error! Bookmark not defined.

3.4 Pembobotan TF-IDF ................................ Error! Bookmark not defined.

3.5 Perancangan Pelatihan Klasifikasi SVM . Error! Bookmark not defined.

3.6 Perancangan Pengujian ............................ Error! Bookmark not defined.

3.6.1 Skenario............................................ Error! Bookmark not defined.

3.6.2 Pengelolaan Data dalam Pengujian .. Error! Bookmark not defined.

3.6.3 Pemilihan dan Estimasi Parameter Terbaik ... Error! Bookmark not

defined.

3.6.4 Pengujian Klasifikasi ....................... Error! Bookmark not defined.

BAB IV IMPLEMENTASI DAN PENGUJIAN .. Error! Bookmark not defined.

4.1 Implementasi Perangkat Lunak ............... Error! Bookmark not defined.

4.1.1 Persiapan Data .................................. Error! Bookmark not defined.

4.1.2 Preprocessing Data .......................... Error! Bookmark not defined.

xi

4.1.3 Pembobotan TF-IDF ........................ Error! Bookmark not defined.

4.1.4 Pembagian Data ............................... Error! Bookmark not defined.

4.1.5 Klasifikasi dengan Metode Support Vector Machine .............. Error!

Bookmark not defined.

4.1.6 Metode Pengujian............................. Error! Bookmark not defined.

4.2 Hasil Pengujian Metode I ........................ Error! Bookmark not defined.

4.2.1 Kernel Linear ................................... Error! Bookmark not defined.

4.2.2 Kernel Polynomial ........................... Error! Bookmark not defined.

4.2.3 Kernel Radial Basis Function (RBF) ............. Error! Bookmark not

defined.

4.3 Hasil Pengujian Metode II (Non Stemming) .......... Error! Bookmark not

defined.



4.3.3 Kernel Radial Basis Function (RBF) ............. Error! Bookmark not

defined.

4.4 Perbandingan Performansi Kernel ........... Error! Bookmark not defined.



4.4.3 Kernel RBF ...................................... Error! Bookmark not defined.

4.4.4 Perbandingan Kernel ........................ Error! Bookmark not defined.

4.5 Running Time Pengujian.......................... Error! Bookmark not defined.

4.6 Kesalahan Hasil Preprocessing Data ...... Error! Bookmark not defined.

4.7 Kesalahan Hasil Klasifikasi ..................... Error! Bookmark not defined.

4.8 Evaluasi dan Analisis Hasil ..................... Error! Bookmark not defined.

BAB V PENUTUP ................................................ Error! Bookmark not defined.

5.1 Kesimpulan .............................................. Error! Bookmark not defined.

5.2 Saran ........................................................ Error! Bookmark not defined.

DAFTAR PUSTAKA ........................................................................................... 75

LAMPIRAN ........................................................... Error! Bookmark not defined.

Lampiran 1 Hasil Pengujian Kernel Linear Tahap I Metode I ............. Error!


xii

Lampiran 2 Hasil Pengujian Kernel Linear Tahap II Metode I ........... Error!


Lampiran 3 Hasil Pengujian 1 Kernel Polynomial Tahap I Metode 1 . Error!






Lampiran 6 Hasil Pengujian 1 Kernel Polynomial Tahap II Metode I Error!






Lampiran 9 Hasil Pengujian 1 Kernel RBF Tahap I Metode I ............. Error!






Lampiran 12 Hasil Pengujian 1 Kernel RBF Tahap II Metode I ........... Error!






Lampiran 15 Hasil Pengujian Kernel Linear Tahap I Metode II ........... Error!


Lampiran 16 Hasil Pengujian Kernel Linear Tahap II Metode II .......... Error!


Lampiran 17 Hasil Pengujian 1 Kernel Polynomial Tahap I Metode II Error!






xiii

Lampiran 20 Hasil Pengujian 1 Kernel Polynomial Tahap II Metode II Error!






Lampiran 23 Hasil Pengujian 1 Kernel RBF Tahap I Metode II ........... Error!






Lampiran 26 Hasil Pengujian 1 Kernel RBF Tahap II Metode II .......... Error!






Lampiran 29 Hasil Akurasi Kernel Polynomial ........... Error! Bookmark not

defined.

Lampiran 30 Hasil Presisi Kernel Polynomial ............. Error! Bookmark not

defined.

Lampiran 31 Hasil Recall Kernel PolynomialError! Bookmark not defined.

Lampiran 32 Hasil F-measure Kernel Polynomial ...... Error! Bookmark not

defined.

Lampiran 33 Hasil Akurasi Kernel RBF ........ Error! Bookmark not defined.

Lampiran 34 Hasil Presisi Kernel RBF .......... Error! Bookmark not defined.

Lampiran 35 Hasil Recall Kernel RBF .......... Error! Bookmark not defined.

Lampiran 36 Hasil F-measure Kernel RBF ... Error! Bookmark not defined.

DAFTAR GAMBAR

Gambar 1.1 Metodologi .......................................................................................... 3

xiv

Gambar 1.2 Desain Sistem ..................................................................................... 4

Gambar 2.1 Tahap Case Folding ............................................................................ 8

Gambar 2.2 Tahap Remove Number & Punctuation .............................................. 9

Gambar 2.3 Tahap Tokenizing ................................................................................ 9

Gambar 2.4 Tahap Stemming.................................................................................. 9

Gambar 2.5 Tahap Stop Words Removal .............................................................. 10

Gambar 2.6 Tahap Eliminating Extra Whitespace ............................................... 10

Gambar 2.7 Blok Diagram Klasifikasi [3]............................................................ 11

Gambar 2.8 Margin Hyperlane [11] ..................................................................... 13

Gambar 2.9 Soft Margin Hyperlane [11].............................................................. 15

Gambar 2.10 Transformasi Vektor Input Ke Feature Search [11] ...................... 15

Gambar 3.1 Preprocessing Data ........................................................................... 21

Gambar 3.2 Proses Case Folding ......................................................................... 21

Gambar 3.3 Proses Remove Number & Punctuation ............................................ 21

Gambar 3.4 Proses Tokenizing ............................................................................. 22

Gambar 3.5 Proses Stemming ............................................................................... 22

Gambar 3.6 Proses Stop Words Removal ............................................................. 22

Gambar 3.7 Proses Remove Strip White Space..................................................... 23

Gambar 3.8 Proses Pembobotan TF-IDF ............................................................. 23

Gambar 3.9 Proses Perancangan Klasifikasi SVM .............................................. 24

Gambar 4.1 Source Code Case Folding ............................................................... 30

Gambar 4.2 Data Tugas Akhir Sebelum Proses Case Folding............................. 30

Gambar 4.3 Data Tugas Akhir Sesudah Proses Case Folding ............................. 30

Gambar 4.4 Source Code Remove Number & Punctuation.................................. 30

Gambar 4.5 Data Tugas Akhir Sebelum Proses Remove Number& Punctuation 31

Gambar 4.6 Data Tugas Akhir Sesudah Proses Remove Number & Punctuation 31

Gambar 4.7 Source Code Tokenizing ................................................................... 31

Gambar 4.8 Data Tugas Akhir Sebelum Proses Tokenizing ................................. 31

Gambar 4.9 Data Tugas Akhir Sesudah Proses Tokenizing ................................. 32

Gambar 4.10 Source Code Stemming ................................................................... 32

Gambar 4.11 Data Tugas Akhir Sebelum Proses Stemming ................................ 32

Gambar 4.12 Data Tugas Akhir Sesudah Proses Stemming ................................. 33

xv

Gambar 4.13 Source Code Stop Words Removal ................................................. 33

Gambar 4.14 Data Tugas Akhir Sebelum Proses Stop Words Removal ............... 33

Gambar 4.15 Data Tugas Akhir Sesudah Proses Stop Words Removal ............... 33

Gambar 4.16 Source Code Eliminating Extra Whitespace................................... 33

Gambar 4.17 Data Tugas Akhir Sebelum Proses Eliminating Extra Whitespace 34

Gambar 4.18 Data Tugas Akhir Setelah Proses Eliminating Extra Whitespace .. 34

Gambar 4.19 Source Code Corpus Pembobotan TF-IDF..................................... 34

Gambar 4.20 Source Code Pembobotan TF-IDF ................................................. 34

Gambar 4.21 Pembobotan TF ............................................................................... 34

Gambar 4.22 Pembobotan TF-IDF ....................................................................... 35

Gambar 4.23 Source Code Pembagian Data ........................................................ 35

Gambar 4.24 Source Code Klasifikasi SVM ........................................................ 36

Gambar 4.25 Source Code Perhitungan Akurasi .................................................. 36

Gambar 4.26 Source Code Perhitungan Presisi .................................................... 36

Gambar 4.27 Source Code Perhitungan Recall .................................................... 36

Gambar 4.28 Source Code Perhitungan F-Measure ............................................. 36

Gambar 4.29 Grafik Kernel Linear Tahap 1 Metode 1 ........................................ 37


Gambar 4.31 Grafik Pengujian 1 Kernel Polynomial Tahap 1 Metode 1 ............ 39






Gambar 4.37 Grafik Pengujian 1 Kernel RBF Tahap 1 Metode 1 ....................... 44








xvi













Gambar 4.57 Akurasi Kernel Linear .................................................................... 59

Gambar 4.58 Presisi Kernel Linear ...................................................................... 59

Gambar 4.59 Recall Kernel Linear ....................................................................... 60

Gambar 4.60 F-Measure Kernel Linear ............................................................... 60

Gambar 4.61 Akurasi Kernel Polynomial ............................................................ 61

Gambar 4.62 Presisi Kernel Polynomial .............................................................. 62

Gambar 4.63 Recall Kernel Polynomial ............................................................... 62

Gambar 4.64 F-Measure Kernel Polynomial ....................................................... 63

Gambar 4.65 Akurasi Kernel RBF ....................................................................... 64

Gambar 4.66 Presisi Kernel RBF ......................................................................... 64

Gambar 4.67 Recall Kernel RBF .......................................................................... 65

Gambar 4.68 F-Measure Kernel RBF .................................................................. 65

Gambar 4.69 Perbandingan Kernel Tahap 1 Metode 1 ........................................ 66




Gambar 4.73 Contoh Hasil Kesalahan Processing Data ...................................... 70

DAFTAR TABEL

Tabel 2.1 Hasil Penelitian Fatimah Wulandini dan Anto Satriyo Nugroho ............ 6

xvii

Tabel 2.2 Confusion Matrix ................................................................................... 17

Tabel 3.1 Data Tugas Akhir .................................................................................. 19

Tabel 3.2 Data Stoplist .......................................................................................... 20

Tabel 3.3 Data Kata Dasar..................................................................................... 20

Tabel 3.4 Skenario Pengujian ................................................................................ 25

Tabel 3.5 Pembagian Data ..................................................................................... 26

Tabel 3.6 Perancangan Pengujian Klasifikasi ....................................................... 27

Tabel 3.7 Perancangan Confusion Matrix ............................................................. 27

Tabel 4.1 Pengujian Dengan Kernel Polynomial .................................................. 39

Tabel 4.2 Pengujian Dengan Kernel RBF ............................................................. 43

Tabel 4.3 Perbandingan Kernel ............................................................................. 68

Tabel 4.4 Running Time Pengujian ....................................................................... 69

Tabel 4.5 Kesalahan Hasil Klasifikasi Dengan Kernel RBF ................................. 70

75

DAFTAR PUSTAKA

[1] Aurangabadkar, S & Potey, M.A., 2014, Support Vector Machine Based

Classification System for Classification of Sport Articles, IEEE International

Conference on Data Mining Workshop.

[2] Chang, Chih-Chung, Chih-Jen Lin, 2001, LIBSVM: A Library for Support

Vector Machines. Department of Computer Science and Information

Engineering, National Taiwan University.

[3] Hermawati, Fajar Astuti, 2013, Data Mining, Penerbit Andi, Yogyakarta.

[4] Hsu, Chih-Wei et al, 2004 A Practical Guide to Support Vector

Classification, Department of Computer Science and Information

Engineering, National Taiwan University.

[5] Joachims, T., 2002, Learning to Classify Text using Support Vector

Machines, Springer Science & Business Media, New York.

[6] Khotimah, Husnul, 2014, Pemodelan Hybrid Tourism Recommendation

Menggunakan Hidden Markov Model dan Text Mining Berbasis Data Sosial

Media, Sekolah Pacasarjana, Institut Pertanian Bogor.

[7] Muflikha, Lailil, dkk, 2013, Klasifikasi Kondisi Penderita Penyakit Hepatitis

Dengan Menggunakan Metode Support Vector Machine (SVM), Program

Teknologi Informasi dan Ilmu Komputer, Universitas Brawijaya.

[8] Prasetyo, Eko, 2012, Data Mining: Konsep dan Aplikasi menggunakan

Matlab, Penerbit Andi, Yogyakarta.

[9] Rennie, JDM & Rifkin, Ryan, 2001, Improving Multiclass Text Classification

with the Support Vector Machine, Massachusetts Insitute of Technology,

Cambridge.

[10] Saraswati, N.W.S., 2011, Text Mining dengan Metode Naïve Bayes Classifier

dan Support Vector Machine untuk Sentimen Analysis, Program Studi Teknik

Elektro, Program pasca Sarjana Universitas Udayana, Bali.

[11] Sembiring, Krisantus, 2007, Penerapan Teknik Support Vector Machine

untuk Pendeteksian Intrusi pada Jaringan, Tugas Akhir Program Studi

Teknik Informatika, Institut Teknologi Bandung, Bandung.

[12] Sugiono, 2014, Metode Penelitian Kuantitatif, Kualitatif dan R&D, Cetakan

ke-20, Bandung, Alfabeta.

76

[13] Syamsu, Rosalina, 2015, Implementasi Algoritma Neural Network dengan

Metode Prune Untuk Klasifikasi Penentuan Dosen Pembimbing Tugas Akhir,

Tugas Akhir Program Studi Teknik Informatika, Universitas Muhammadiyah

Malang.

[14] Quang, Anh tran et al. 2002. Evolving Support Vector Machine Parameters.

Slide presentasi ICML. Tsinghua University.

[15] Wahyuningstyas, Andita, 2016, Deteksi Spam pada Twitter Menggunakan

Algoritma Naïve Bayes, Departemen Ilmu Komputer, Institut Pertanian

Bogor.

[16] Widodo, Prabowo Pudjo, dkk. 2013. Penerapan Data Mining dengan Matlab.

Rekayasa Sains. Bandung.

[17] Wulandini, F. & Nugroho A.S., 2009, Text Classification Using Support

Vector Machine for Webmining Based Spatio Temporal Analysis of the

Spread of Tropical Diseases, International Conference on Rural Information

and Communication Technology.

[18] Zinner, Thomas, dkk, Text Categorization for Deriving the Application

Quality in Enterprises Using Ticketing, Springer International Publishing

Switzerland, LNCS 9263, pp. 325-336.

[19] Zhu, Yanwei, dkk, 2010, Improved Support Vector Machine Multi-

classification Algorithm, Proceedings of the International Conference on

Information Computing and Applications (ICICA 2010).

77

BIOGRAFI PENULIS

Nama : Lisa Noor Arida

NIM : 201210370311043

TTL : Barabai, 04 Maret 1995

Alamat Asal : Kompleh Hijrah Rasau Matang Ginalun

Rt. 04 Rw. 02 Kec. Pandawan Kab. Hulu

Sungai Tengah Provinsi Kalimantan

Selatan

No Hp : +6281945730453

Email : [email protected]

Riwayat Pendidikan

Nama Sekolah Tahun

MIN Ilung 2000 – 2006

MTsN Barabai 2006 – 2009

SMAN 1 Barabai 2009 – 2012

Universitas Muhammadiyah Malang 2012 – 2016

Documents

KLASIFIKASI DOSEN PEMBIMBING TUGAS AKHIR … · Kedua, digunakan satu parameter data yaitu judul tugas akhir. Hasil pengujian dari ... pada penelitian tugas akhir ini, klasifikasi