Penulis Utama : Kuni Nur Aini
Penulis Tambahan : -
NIM / NIP : M0514029
Tahun : 2018
Judul : Perbandingan Metode Multinomial Naïve Bayes Dengan K- Nearest Neighbors, Support Vector Machine dan Random Forest untuk Klasifikasi Dokumen Berkonten
Edisi :
Imprint : Surakarta - F. MIPA - 2018
Kolasi :
Sumber : UNS-F. MIPA Jur. Informatika-M0514029-2018
Subyek : KATEGORISASI TEKS, KLASIFIKASI, MULTINOMIAL NAIVE BAYES, TF-IDF
Jenis Dokumen : Skripsi
ISSN :
ISBN :
Abstrak :

Sebagian informasi mengenai “Network Attack” tersedia dalam bentuk teks, salah satunya berupa jurnal. Banyaknya jurnal-jurnal terkait “Network Attack” dan belum tersedianya sistem yang dapat mengklasifikan jurnal-jurnal tersebut, menyebabkan sulitnya pencarian suatu jurnal pada kategori-kategori tertentu. Salah satu cara untuk mengatasi permasalahan tersebut adalah dengan melakukan klasifikasi jurnal. Penelitian ini bertujuan untuk mengklasifikasikan jurnal berkonten “Network Attack” dengan menggunakan metode Multinomial Naïve Bayes, kemudian dibandingankan dengan  dengan K-Nearest Neighbors, Support Vector Machine dan Random Forest. Proses klasifikasi disertai dengan fitur ekstraksi Term Frequency Inverse Document Frequency (TF-IDF), Count Vector, dan Document Vector (Doc2vec). Hasil percobaan menunjukkan bahwa MNB dengan TF-IDF menghasilkan akurasi sebesar 76.00%, K-Nearest Neighbors (KNN), Support Vector Machine Linear (SVM Linear), Random Forest dengan TF-IDF masing-masing memperoleh akurasi sebesar 72.6 %,
78.66%, dan 81.66%. Menggunakan Count Vector masing-masing diperoleh akurasi sebesar
60.00%, 77.00, 70.66% dan 81.00%. Selain itu, percobaan dilakukan pada metode Random Forest menggunakan dokumen vektor (Doc2vec) diperoleh akurasi sebesar 63,33%. Metode MNB disertai TF-IDF bekerja lebih baik dibanding KNN, namun metode Random Forest bekerja lebih baik dibanding ketiga metode lainnya. Metode MNB disertai Count Vector bekerja lebih baik dibanding KNN dan SVM, namun metode Random Forest bekerja lebih baik dibanding ketiga metode lainnya. Klasifikasi menggunakan Random Forest disertai TF-IDF bekerja lebih baik dibanding Count Vector dan Doc2vec.

File Dokumen Tugas Akhir : abstrak.pdf
Harus menjadi member dan login terlebih dahulu untuk bisa download.
HALAMAN JUDUL.pdf
BAB I.pdf
BAB II.pdf
BAB III.pdf
BAB IV.pdf
BAB V.pdf
Lembar Persetujuan Publikasi.pdf
File Dokumen Karya Dosen : -
Status : Public
Pembimbing : 1. Drs. Bambang Harjito, M.App.Sc., Ph.D.
Catatan Umum :
Fakultas : Fak. MIPA