• Tidak ada hasil yang ditemukan

KLASIFIKASI DOKUMEN KOMENTAR PADA SITUS YOUTUBE MENGGUNAKAN ALGORITMA K-NEAREST NEIGHBOR (K-NN) - UDiNus Repository

N/A
N/A
Info
Unduh - Bebas
Protected

Academic year: 2017

Membagikan "KLASIFIKASI DOKUMEN KOMENTAR PADA SITUS YOUTUBE MENGGUNAKAN ALGORITMA K-NEAREST NEIGHBOR (K-NN) - UDiNus Repository"

Copied!
2
0
0

Memuat.... (Lihat teks lengkap sekarang)

Unduh sekarang ( 2 Halaman )

Teks penuh

(1)

viii

DAFTAR ISI

HALAMAN JUDUL ... i

PERSETUJUAN SKRIPSI ... ii

PENGESAHAN DEWAN PENGUJI ... iii

PERNYATAAN ...iv

KEASLIAN SKRIPSI ...iv

PERNYATAAN PERSETUJUAN PUBLIKASI KARYA ILMIAH ... v

UCAPAN TERIMAKASIH ...vi

ABSTRAK ... vii

DAFTAR ISI ... viii

DAFTAR TABEL ... x

DAFTAR GAMBAR ... xi

BAB I ... 1

PENDAHULUAN ... 1

1.1. Latar Belakang ... 1

1.2. Rumusan Masalah ... 3

1.3. Batasan Masalah ... 3

1.4. Tujuan ... 4

1.5. Manfaat ... 4

BAB II ... 6

TINJAUAN PUSTAKA ... 6

2.1. Penelitian Terkait ... 6

2.1.2. Klasifikasi DeepSentiment Analysis E-Complaint ... 6

2.1.3. Sistem Klasifikasi dan Pencarian Jurnal ... 7

2.2. Studi Literatur ... 8

2.2.1. Text Mining ... 8

2.2.2. Analisis Sentimen ... 8

2.2.3. Text Preprocessing ... 9

2.2.4. Term Frequency Inverse Document Frequency (TF-IDF) ... 10

(2)

ix

2.2.6. K-Nearest Neighbor (K-NN) ... 12

2.2.7. Confusion Matrix ... 13

BAB III ... 15

METODOLOGI PENELITIAN ... 15

3.1 Jenis Penelitian ... 15

3.2 Instrumen Penelitian ... 15

3.2.1 Kebutuhan Software ... 15

3.2.2 Kebutuhan Hardware ... 16

3.3 Pengumpulan Data ... 16

3.4 Metode yang Diusulkan ... 20

3.4.1 Prepocessing ... 20

3.4.2 Klasifikasi Menggunakan K-Nearest Neighbor (K-NN) ... 22

3.4.3 Manualisasi Sistem ... 23

BAB IV ... 34

HASIL DAN PEMBAHASAN ... 34

4.1. Dokumen yang digunakan ... 34

4.1.1 Dokumen Latih ... 34

4.1.2 Dokumen Uji ... 35

4.2. Preprocessing Dokumen ... 36

4.3. Klasifikasi Dokumen ... 40

4.4. Uji Coba ... 41

BAB V ... 47

PENUTUP ... 47

DAFTAR PUSTAKA ... 50

Referensi

Unduh sekarang ( PDF - 2 Halaman - 240.47 KB )

Dokumen terkait

Otomasi Pembentukan Abstrak Bahasa Indonesia Berdasarkan Keseluruhan Dokumen Menggunakan Term Frequency-Inverse Document Frequency (TF-IDF)

Untuk dapat membentuk kalimat abstrak secara otomatis maka akan diterapkan metode Term Frequency – Inverse Document Frequency (TF- IDF) , karena TF-IDF merupakan

KLASIFIKASI DOKUMEN KOMENTAR PADA SITUS YOUTUBE MENGGUNAKAN ALGORITMA K-NEAREST NEIGHBOR (K-NN) - UDiNus Repository

review film bergenre aksi di youtube dengan metode K-Nearest Neighbor. Berapa tingkat akurasi yang dihasilkan dari percobaan pada

KLASIFIKASI DOKUMEN KOMENTAR PADA SITUS YOUTUBE MENGGUNAKAN ALGORITMA K-NEAREST NEIGHBOR (K-NN) - UDiNus Repository

menggunakan data biasa, dalam text mining ini yang digunakan adalah data. dalam bentuk dokumen

KLASIFIKASI DOKUMEN KOMENTAR PADA SITUS YOUTUBE MENGGUNAKAN ALGORITMA K-NEAREST NEIGHBOR (K-NN)

Untuk mengetahui nilai akurasi dari penerapan metode k-nn ini, penulis mencoba melakukan beberapa uji coba dengan enam skenario, yaitu dengan menggunakan data uji

SKRIPSI. diajukan untuk memenuhi bagian dari Syarat memperoleh gelar Sarjana Komputer pada Departemen Pendidikan Ilmu Komputer

IMPLEMENTASI TERM FREQUENCY INVERS DOCUMENT FREQUENCY (TF-IDF) DAN COSINE SIMILARITY DALAM PENENTUAN REVIEWER PENELITIAN DOSEN UNIVERSITAS PENDIDIKAN INDONESIA.. IMPLEMENTASI

Klasifikasi Tweets Pada Twitter Menggunakan Metode K-Nearest Neighbour (K-NN) Dengan Pembobotan TF-IDF

Metode pembobotan kata yang dipergunakan dalam skripsi ini ialah Term Frequency–Inverse Document Frequency (TF-IDF) & memakai K-Nearest Neighbor (K-NN) untuk

ANALISIS ULASAN HOTEL DI SITUS TRIPADVISOR MENGGUNAKAN METODE TERM FREQUENCY-INVERSE

ii HALAMAN PENGESAHAN TESIS ANALISIS ULASAN HOTEL DI SITUS TRIPADVISOR MENGGUNAKAN METODE TERM FREQUENCY-INVERSE DOCUMENT FREQUENCY TF-IDF DAN K-NEAREST NEIGHBOR KNN Oleh:

PRODUCT CODEFICATION ACCURACY WITH COSINE SIMILARITY AND WEIGHTED TERM FREQUENCY AND INVERSE DOCUMENT FREQUENCY (TF-IDF)

PRODUCT CODEFICATION ACCURACY WITH COSINE SIMILARITY AND WEIGHTED TERM FREQUENCY AND INVERSE DOCUMENT FREQUENCY TF-IDF Sintia1*, Sarjon Defit2, Gunadi Widi Nurcahyo3 Department of