Peringkasan dan Support Vector Machine pada Klasifikasi Dokumen

Widiastuti, Nelly Indriani; Rainarli, Ednawati; Dewi, Kania Evita

doi:10.20895/infotel.v9i4.312

Cited by 18 publications

(17 citation statements)

References 11 publications

Supporting

Mentioning

Contrasting

Unclassified

Order By: Relevance

“…Pada umumnya dengan adanya software Orange Data Mining, maka dapat melakukan sebuah pengklasifikasian [4]. Klasifikasi merupakan sebuah proses pengelompokan objek yang memiliki karakteristik atau ciri-ciri yang sama, lalu dimasukkan ke dalam beberapa kelas atau kelompok [5]. Pada penelitian ini dilakukannya klasifikasi gambar, yaitu pengelompokan gambar yang memiliki karakteristik atau ciri-ciri yang sama.…”

Section: Kata Kunciunclassified

Perbandingan Algoritma Machine Learning menggunakan Orange Data Mining untuk Klasifikasi Jenis Kendaraan pada Sistem Tilang Digital

Pranadjaya,

Pangestu,

Sereati

et al. 2024

jurnalelektro

View full text Add to dashboard Cite

Tulisan ini membahas tentang penerapan aplikasi Orange Data Mining untuk membandingkan beberapa algoritma pembelajaran mesin untuk mengklasifikasikan jenis kendaraan pada sistem tiket digital. Penelitian ini membandingkan dan menganalisa algoritma logistik regression, Support Vector Machine (SVM) dan Neural Network (NN) untuk memecahkan masalah klasifikasi kendaraan pada tilang digital. Data set diambil dari website Kaggle, dan metode validasi menggunakan Confussion matrix. Hasil penelitian menunjukkan bahwa pada proses training dan berdasarkan dataset yang digunakan, algoritma yang memiliki tingkat akurasi dari yang tertinggi adalah Logistic Regression, Neural Network dan Support Vector Machine. Sedangkan pada proses testing, seluruh algoritma pada model mampu melakukan klasifikasi dengan akurasi yang sempurna.

show abstract

Section: Kata Kunciunclassified

Perbandingan Algoritma Machine Learning menggunakan Orange Data Mining untuk Klasifikasi Jenis Kendaraan pada Sistem Tilang Digital

Pranadjaya,

Pangestu,

Sereati

et al. 2024

jurnalelektro

View full text Add to dashboard Cite

show abstract

“…Brilio.net adalah Penyajian berita berdasarkan karakteristik generasi milenial semaksimal mungkin dan membuat generasi milenial betah membaca brilio [14].net melalui gadget-nya. Hal ini dikarenakan penyajian berita dengan format listikal dan banyaknya multimedia atau foto dan video sebagai bentuk lain dalam menyajikan berita.…”

Section: F Brilionetunclassified

Analisis Sentimen Kenaikan Harga BBM Pertamax Pada Media Sosial Menggunakan Metode Naïve Bayes Classifier

Sitio

Nadiyanti

2022

bits

View full text Add to dashboard Cite

Fuel Oil (BBM) is a very vital commodity. Fuel has an important role in people's lives. Because of the importance of fuel in people's lives, fuel is one of the basic needs of the community. The policy of increasing the price of fuel has always been a phenomenon in various media which causes pros and cons in society. The policy of increasing fuel prices has a big impact on society, both direct and indirect consumption. This study aims to explore public opinion, whether it shows negative or positive sentiment in the policy of increasing fuel prices. The increase in Pertamax fuel prices has drawn several opinions from citizens on Facebook social media. Sentiment analysis research was conducted to determine the response to Facebook comments on Brilio.Net accounts in 2022 related to the increase in Pertamax fuel prices with a dataset of 799 data, as well as a comparison of the number of positive, negative, and neutral comments. In addition, in this study to be able to determine the level of performance generated by the nave Bayes classifier method in the test. The author uses 80% of the comment dataset to be used as training data and 20% to be used as test data to be used as machine learning and test data. Then the data is classified by the system using orange data mining tools so as to produce a percentage of positive sentiment as much as 19%, negative sentiment as much as 22% and neutral sentiment as much as 59%. testing with the nave Bayes classifier method obtained the highest percentage accuracy rate of 99% from all datasets.

show abstract

“…Setelah data diperoleh kemudian dilakukan pengolahan data menggunakan instrumen microsoft excel dengan pengkategorian (klasifikasi) domain luar negeri yang bukan termasuk dalam data yang dibutuhkan dalam penelitian. Klasifikasi adalah proses pengelompokkan objek yang memiliki karakteristik atau ciri yang sama ke dalam beberapa kelas (Widiastuti et al, 2017).…”

Section: Metodeunclassified

Tren Penggunaan Framework COBIT, ITIL, dan ISO 27001 Pada Rentang Tahun 2014-2018 di Indonesia

2020

View full text Add to dashboard Cite

The use of Information Technology (IT) frameworks from year to year in Indonesia has shown an increase. However, there is not much research on the use of IT frameworks. The research on IT frameworks can be used by a company to analyze trends in the use of frameworks in Indonesia. That way, it can help a company consider choosing a framework to use. The IT frameworks discussed in this study are COBIT, ITIL, and ISO 27001. Data related to research IT frameworks taken in the 2014-2018 period. Data collection through the Google Scholar web search engine using the Publish or Perish software. The data obtained were analyzed using descriptive quantitative methods. The results of this study can use to determine the use of the IT framework in Indonesia. The amount of raw data obtained from the data collection process was 5,708 data with Authors, Title, Years, and Publisher variables. Research data on titles and keywords obtained in the Indonesian domain amounted to 754 and overseas amounted to 194. From the research results, it can conclude that the most widely used framework is the COBIT framework, with a percentage of 69.3% in the Indonesian and 58.7% in the foreign domain.

show abstract

Peringkasan dan Support Vector Machine pada Klasifikasi Dokumen

Cited by 18 publications

References 11 publications

Perbandingan Algoritma Machine Learning menggunakan Orange Data Mining untuk Klasifikasi Jenis Kendaraan pada Sistem Tilang Digital

Perbandingan Algoritma Machine Learning menggunakan Orange Data Mining untuk Klasifikasi Jenis Kendaraan pada Sistem Tilang Digital

Analisis Sentimen Kenaikan Harga BBM Pertamax Pada Media Sosial Menggunakan Metode Naïve Bayes Classifier

Tren Penggunaan Framework COBIT, ITIL, dan ISO 27001 Pada Rentang Tahun 2014-2018 di Indonesia

Contact Info

Product

Resources

About