2 research outputs found
Klasifikasi Pertanyaan Berbahasa Indonesia Menggunakan Algoritma Support Vector Machine dan Seleksi Fitur Mutual Information
No full textText classification can be used to organize, arrange and categorize a text. Text
classification can be used for all text documents even if a text has a large number of features.
However, the large number of features can cause reduced accuracy in the performance results
of the classification system because there are some features that have less relevance to a text
category. The Mutual Information feature selection method combined with the Support Vector
Machine (SVM) algorithm is used to improve performance results in the classification process
for Indonesian question documents by eliminating features with weights below the threshold.
The results showed that the use of the Mutual Information feature selection method on the SVM
classification algorithm was able to produce the best performance with an accuracy value of
0.92, precision: 0.93, recall: 0.89, f-measure: 0.9, computation time: 7 s and number of features: 240.
Keywords— Text Classification, Feature Selection, Support Vector Machine, Mutual InformationAbstrak
Klasifikasi teks dapat digunakan untuk menyusun, mengatur dan melakukan kategori terhadap suatu teks. Klasifikasi teks dapat digunakan untuk semua dokumen teks meskipun suatu teks tersebut memiliki jumlah fitur yang banyak. Namun, banyaknya jumlah fitur dapat menyebabkan bekurangnya akurasi pada hasil kinerja sistem klasifikasi dikarenakan terdapat sebagian fitur yang memiliki relevansi yang kurang terhadap suatu kategori teks. Metode seleksi fitur Mutual Information yang dikombinasikan dengan algoritma Support Vector Machine (SVM) digunakan untuk meningkatkan hasil kinerja pada proses klasifikasi terhadap dokumen pertanyaan berbahasa indonesia dengan cara menghilangkan fitur dengan bobot dibawah nilai ambang batas. Hasil penelitian menunjukkan bahwa dengan penggunaan metode seleksi fitur Mutual Information pada algoritma klasifikasi SVM mampu menghasilkan kinerja terbaik dengan nilai accuracy sebesar 0.92 , precision : 0.93, recall : 0.89,  f-measure : 0.9, waktu komputasi : 7 s dan jumlah fitur : 240.
 Kata kunci—Klasifikasi Teks, Seleksi Fitur, Support Vector Machine, Mutual Informatio
Pelatihan Pemanfaatan Aplikasi Digital dan Video Animasi Untuk Pembelajaran Bahasa Inggris di Panti Asuhan Siti Aisyah Palembang
No full textAbstrak—Kegiatan Pengabdian Pada Masyarakat (PPM) ini adalah perwujudan Tri Dharma Perguruan Tinggi dalam bentuk keikutsertaan akademisi dalam pengembangan kompetensi sumber daya manusia Indonesia, khususnya generasi muda. Bahwa kenyataan di masyarakat masih ada kelompok generasi muda yang berada dalam kondisi marginal, yaitu anak-anak di panti asuhan. Tujuan kegiatan PPM ini adalah ikut serta melakukan upaya pengembangan sumber daya manusia generasi muda melalui jalur informal, yaitu melatih para anak asuh dan pengelola / pembimbing panti asuhan untuk dapat memanfaatkan teknologi informasi sebagai alat bantu belajar secara mandiri. Pada kegiatan ini pembelajaran mandiri yang dimaksud, digunakan untuk belajar bahasa Inggris. Tahapan kegiatan pengabdian ini antara lain: penyiapan aplikasi-aplikasi sederhana yang dapat dioperasikan pada perangkat HP dan/atau computer; penyiapan prosedur kerja aplikasi (manual book); dan pelatihan penggunaan aplikasi pada pengguna. Sehingga diharapkan para pengguna akan dapat memiliki aplikasi sederhana beserta petunjuk kerjanya serta terampil dalam menggunakannya dalam proses pembelajaran mandiri
