Luhrie, Shalfa Fitriga (2019) KLASIFIKASI INFORMASI DAN KELUHAN MASYARAKAT MENGGUNAKAN ALGORITMA FUZZY K-NEAREST NEIGHBOR (Studi Kasus: Unit Pelayanan Informasi dan Keluhan Pemerintah Kota Yogyakarta). Other thesis, UPN Veteran Yogyakarta.
Preview |
Text
COVER.pdf Download (163kB) | Preview |
Preview |
Text
PENGESAHAN PENGUJI.pdf Download (523kB) | Preview |
Preview |
Text
ABSTRAK.pdf Download (66kB) | Preview |
Preview |
Text
DAFTAR ISI.pdf Download (97kB) | Preview |
Abstract
ABSTRAK
UPIK atau Unit Pelayanan Informasi dan Keluhan merupakan suatu platform milik
Pemerintah Kota Yogyakarta yang berfungsi untuk menampung pengaduan berupa saran,
informasi, keluhan, atau pertanyaan dari masyarakat Kota Yogyakarta. Pengaduan atau
selanjutnya disebut informasi dan keluhan yang masuk kemudian akan dikategorikan ke
kategori bidang dan unit kerja yang menangani permasalahan tersebut. Untuk
mempermudah mengorganisir informasi dan keluhan, meningkatkan efisiensi waktu
administrator dalam memilah dan menentukan kategori bidang serta unit kerja, maka perlu
dibuat sistem cerdas yang dapat mengklasifikasikan dokumen sesuai tujuan. Informasi dan
keluhan memiliki jumlah data sampel perkategori yang tidak seimbang atau dalam
klasifikasi teks disebut imbalanced class. Informasi dan keluhan juga memiliki ambiguitas
kalimat yang memungkinkan suatu informasi dan keluhan dapat dikategorikan ke beberapa
kategori bidang dan unit kerja.
Fuzzy K-Nearest Neighbor merupakan algoritma klasifikasi perbaikan dari K-Nearest
Neighbor dalam penentuan keanggotaan kelas dari suatu data uji. Penggunaan teori fuzzy
dalam K-Nearest Neighbor dapat menangani ambiguitas suatu kalimat. Proses yang
dilakukan adalah mengumpulkan data latih dan data uji, melakukan tahap preprocessing
(diantaranya case folding, cleansing, tokenization, spelling normalization, stopword
removal dan stemming), pembobotan fitur dengan metode Term Frequency Invers
Document Frequency, kemudian dilakukan tahap klasifikasi, dan pada tahap akhir
dilakukan pengujian menggunakan tabel confusion matrix multiclass untuk mencari nilai
akurasi, presisi, dan recall.
Hasil pengujian menunjukkan nilai akurasi optimum untuk klasifikasi bidang sebesar
96,528% dengan K=11 pada persentase data 80(train):20(test) dan untuk klasifikasi unit
kerja sebesar 97,375% dengan K=9 pada persentase data 70 (train):30(test). Sedangkan
nilai presisi dan recall optimum untuk klasifikasi bidang sebesar 56,597% dengan K=11
pada persentase data 80(train):20(test). Sedangkan untuk klasifikasi unit kerja sebesar
58,052% dengan K=5 pada persentase data 90(train):10(test).
Kata Kunci: Text Mining, Klasifikasi Teks, Fuzzy K-Nearest Neighbor, Imbalanced Class,
Ambiguitas, Confusion Matrix Multiclass
| Item Type: | Thesis (Other) |
|---|---|
| Subjek: | Q Science > QA Mathematics > QA75 Electronic computers. Computer science |
| Divisions: | x. Faculty of Engineering, Science and Mathematics > School of Engineering Sciences |
| Depositing User: | Nurul Alifah Rahmawati |
| Date Deposited: | 10 Jul 2019 02:46 |
| Last Modified: | 10 Jul 2019 02:46 |
| URI: | http://eprints.upnyk.ac.id/id/eprint/20220 |
Actions (login required)
 |
View Item |