Aplikasi K-Means berbasis Web untuk Klasifikasi Kelas Unggulan

Satria, Christofer; Anggrawan, Anthony

doi:10.30812/matrik.v21i1.1473

Cited by 8 publications

(10 citation statements)

References 2 publications

Supporting

Mentioning

Contrasting

Unclassified

Order By: Relevance

“…Pelabelan dokumen baru sesuai dengan kategori yang benar, tergantung pada banyaknya dokumen berlabel yang ada untuk referensi [15]. Penelitian klasifikasi teks menggunakan algoritma machine learning seperti k-Nearest Neighbors [15,16], Naïve Bayes [17][18][19], Support Vector Machine [15,20,21], Logistic Regression [9] dan K-Means [22,23] sudah banyak dilakukan oleh peneliti sebelumnya. Naïve Bayes Classifiers (NBC), Support Vector Machine (SVM) dan k-Nearest Neighbors (KNN) merupakan classifier yang paling banyak digunakan untuk menyelesaikan masalah Document Classification dan keduanya memberikan hasil yang cukup menjanjikan.…”

Section: Pendahuluanunclassified

Komparasi Ekstraksi Fitur dalam Klasifikasi Teks Multilabel Menggunakan Algoritma Machine Learning

Efrizoni¹,

Defit

Tajuddin

et al. 2022

matrik

View full text Add to dashboard Cite

Ektraksi fitur dan algoritma klasifikasi teks merupakan bagian penting dari pekerjaan klasifikasi teks, yang memiliki dampak langsung pada efek klasifikasi teks. Algoritma machine learning tradisional seperti Na¨ıve Bayes, Support Vector Machines, Decision Tree, K-Nearest Neighbors, Random Forest, Logistic Regression telah berhasil dalam melakukan klasifikasi teks dengan ektraksi fitur i.e. Bag ofWord (BoW), Term Frequency-Inverse Document Frequency (TF-IDF), Documents to Vector (Doc2Vec), Word to Vector (word2Vec). Namun, bagaimana menggunakan vektor kata untuk merepresentasikan teks pada klasifikasi teks menggunakan algoritma machine learning dengan lebih baik selalumenjadi poin yang sulit dalam pekerjaan Natural Language Processing saat ini. Makalah ini bertujuan untuk membandingkan kinerja dari ekstraksi fitur seperti BoW, TF-IDF, Doc2Vec dan Word2Vec dalam melakukan klasifikasi teks dengan menggunakan algoritma machine learning. Dataset yang digunakan sebanyak 1000 sample yang berasal dari tribunnews.com dengan split data 50:50, 70:30, 80:20 dan 90:10. Hasil dari percobaan menunjukkan bahwa algoritma Na¨ıve Bayes memiliki akurasi tertinggi dengan menggunakan ekstraksi fitur TF-IDF sebesar 87% dan BoW sebesar 83%. Untuk ekstraksi fitur Doc2Vec, akurasi tertinggi pada algoritma SVM sebesar 81%. Sedangkan ekstraksi fitur Word2Vec dengan algoritma machine learning (i.e. i.e. Na¨ıve Bayes, Support Vector Machines, Decision Tree, K-Nearest Neighbors, Random Forest, Logistic Regression) memiliki akurasi model dibawah 50%. Hal ini menyatakan, bahwa Word2Vec kurang optimal digunakan bersama algoritma machine learning, khususnya pada dataset tribunnews.com.

show abstract

Section: Pendahuluanunclassified

Komparasi Ekstraksi Fitur dalam Klasifikasi Teks Multilabel Menggunakan Algoritma Machine Learning

Efrizoni¹,

Defit

Tajuddin

et al. 2022

matrik

View full text Add to dashboard Cite

show abstract

“…Pengelompokan data industri rumahan dapat dibangun tentunya diperlukan sebuah algoritma pada sistem yang mampu menghasilkan pengelompokan data industri rumahan kedalam klasifikasi pemula, berkembang dan maju. Algoritma K-means dipilih oleh kebanyakan peneliti untuk menyelesaikan masalah dalam pengelompokan data [2][3][4][5][6]. Namun, algoritma Kmeans ternyata belum memberikan solusi untuk menghasilkan kualitas klaster yang optimal [7].…”

Section: Pendahuluanunclassified

Aplikasi Dynamic Cluster pada K-Means BerbasisWeb untuk Klasifikasi Data Industri Rumahan

Santoso¹,

Magdalena²,

Wardhana

2022

matrik

View full text Add to dashboard Cite

Masalah utama yang dihadapi Pemerintah Daerah Provinsi Kepulauan Bangka Belitung saat ini adalah sulitnya mengklasifikasikan data industri rumahan berdasarkan Peraturan Menteri PPPA No 2 Tahun 2016 yaitu pemula, berkembang dan maju. Berdasarkan permasalahan tersebut diusulkan pengembangan algoritma Kmeans yaitu algoritma Dynamic cluster pada K-means dengan tujuan agar dapat menghasilkan klaster yang optimal dalam pengelompokan data industri rumahan dengan membangun aplikasi cerdas berbasis web. Penelitian ini menggunakan metode analisis data mining SEMMA, yang meliputi tahapan-tahapan seperti data sampel, deskripsi data, transformasi data, pemodelan data, dan evaluasi data. 3.466 industri rumah tangga digunakan sebagai sampel data. Kinerja algoritma dievaluasi menggunakan pengukuran validitas klaster Davies Bouldin Index (DBI). Hasil eksperimen menunjukkan bahwa algoritma Dynamic cluster pada K-means memberikan nilai yang optimal pada iterasi ke lima, dengan perolehan sebagai berikut: klaster pemula (C1) diperoleh sebanyak 3214, kemudian klaster berkembang (C2) diperoleh sebanyak 167 dan klaster maju (C3) diperoleh sebanyak 85. Hasil evaluasi validitas klaster menunjukan bahwa algoritma Dynamic cluster pada Kmeans memperoleh nilai DBI lebih kecil dibandingkan dengan algoritma K-means dengan nilai DBI sebesar 0.184. Implementasi algoritma dynamic cluster pada K-means untuk pengelompokan data industri rumahan pada Dinas P3ACSKB di Provinsi Kepulauan Bangka Belitung terbukti menghasilkan kualitas cluster yang lebih optimal.

show abstract

“…Dalam sistem perangkat lunak penentuan titik pusat pada Algoritma K-Means memeiliki pengaruhpada cluster dalam pengujian dari 20 data yang digunakan dan mendapatkan hyasil centroid yang berbeda-beda [4].Implementasi Algoritma K-Means dalam sistem klasterisasi memberikan klasifkasi pengelompookkan yang sangat efwektif untuk proses jarak yang diteria oleh centroid, karena itu lebih dapat menghemat waktu dalam klasterisasi kelas unggulan yang dilakukan [5].Sistem penerimaan bobot nilai dari masing soal ujian dengan metode K-Means telah mencari nilai centorid yang sama dengan data yang berbeda dengan bobot jawaban pada kelompok yang sama dengan hasil perhitungan Algoritma K-Means [6]. 4.…”

Section: Tinjauan Pustaka 21 Penelitian Terdahuluunclassified

Sistem Penerimaan Siswa Baru Di SMKN 3 Pati Berdasar Jalur Prestasi Menggunakan Algoritma Klastering K-Means Berbasis Web

Aziz

Zuliarso

2022

oai

View full text Add to dashboard Cite

Sistem penerimaan mahasiswa baru yang menggunakan pengelompokan data algoritma K-Means merupakan pola clustering yang paling sederhana dibandingkan dengan algoritma lainnya. Algoritma ini merupakan salah satu data mining. K-Means mengelompokkannya ke dalam beberapa cluster yang memiliki persamaan dan memisahkan setiap cluster berdasarkan perbedaan tiap clusternya.Penelitian algoritma K-Means Clustering bertujuan untuk meminimalkan fungsi-fungsi yang ditetapkan pada saat proses Clustering.Implementasi K-Means Algoritma clustering ke dalam sistem informasi clustering memberikan hasil klasifikasi pengelompokan data yang efektif dan proses setiap rotasi literasi jarak Centroid, penentuan titik Cluster yang terbentuk, data siswa sebagai objek referensi lebih menghemat waktu pada clustering yang unggul kelas. Penerapan sistem informasi clustering berbasis web ini menghasilkan informasi yang lebih fleksibel yang dapat diakses setiap saat oleh pengguna yang diberikan hak akses untuk memanfaatkan data tersebut. Penerapan Algoritma K-Means Clustering untuk mendapatkan hasil klarifikasi Kelas Unggul membutuhkan implementasi sistem informasi untuk membentuk 3 cluster untuk setiap kelas yaitu M1, M2 dan M3. M1 sebagai nilai tinggi dengan nilai kriteria 85 sampai 100, M2 sebagai nilai sedang dengan nilai kriteria 75 sampai 80 dan M3 sebagai nilai rendah dengan nilai kriteria 10 sampai 70.

show abstract

Aplikasi K-Means berbasis Web untuk Klasifikasi Kelas Unggulan

Cited by 8 publications

References 2 publications

Komparasi Ekstraksi Fitur dalam Klasifikasi Teks Multilabel Menggunakan Algoritma Machine Learning

Komparasi Ekstraksi Fitur dalam Klasifikasi Teks Multilabel Menggunakan Algoritma Machine Learning

Aplikasi Dynamic Cluster pada K-Means BerbasisWeb untuk Klasifikasi Data Industri Rumahan

Sistem Penerimaan Siswa Baru Di SMKN 3 Pati Berdasar Jalur Prestasi Menggunakan Algoritma Klastering K-Means Berbasis Web

Contact Info

Product

Resources

About