Digilib | Universitas Negeri Surabaya

Jenis Dokumen

Disertasi
Karya Akhir S1
Karya Akhir S2
Karya Akhir S3
Skripsi
Tesis
Tugas Akhir D3
Tugas Akhir D4

Fakultas

Ilmu Pendidikan
Bahasa & Seni
Matematika dan Ilmu Pengetahuan Alam
Ilmu Sosial & Politik
Hukum
Psikologi
Teknik
Ekonomika dan Bisnis
Ilmu Keolahragaan dan Kesehatan
Vokasi
Pascasarjana

PERBANDINGAN KINERJA METODE PROBLEM TRANSFORMATION-KNN DAN ALGORITHM ADAPTATION-KNN PADA KLASIFIKASI MULTI-LABEL PERTANYAAN KOTAKODE

Kode Dokumen : 0044/FT-INF/2022

Penulis Utama : ERLINA EKA FITRIANI

NIM Penulis Utama: 18051214009

Tahun : 2022

Judul ID :

PERBANDINGAN KINERJA METODE PROBLEM TRANSFORMATION-KNN DAN ALGORITHM ADAPTATION-KNN PADA KLASIFIKASI MULTI-LABEL PERTANYAAN KOTAKODE

Judul EN :

PERFORMANCE COMPARISON OF PROBLEM TRANSFORMATION-KNN AND ALGORITHM ADAPTATION-KNN METHOD ON MULTI-LABEL CLASSIFICATION KOTAKODE QUESTION

Sumber : UNESA - Fakultas Teknik - Jurusan S1 Sistem Informasi - 18051214009 - 2022

Jenis Dokumen : Skripsi

Abstrak ID :

Klasifikasi multi-label merupakan proses pengelompokan data ke dalam beberapa kelas berdasarkan kesamaan ciri atau karakteristik data. Pada klasifikasi multi-label setiap data dapat memiliki lebih dari satu kelas. Implementasi klasifikasi multi-label dapat dilakukan melalui dua metode pendekatan yaitu Problem Transformation dan Algorithm Adaptation. Penelitian topik klasifikasi multi-label teks telah dilakukan oleh para peneliti terdahulu. Akan tetapi, belum terdapat penelitian yang berfokus pada perbandingan Problem Transformation dan Algorithm Adaptation berdasarkan pertanyaan multi-label dengan tagar pertanyaan sebagai label atau kelas. Tujuan penelitian ini adalah melakukan klasifikasi multi-label pada data teks dan membandingkan hasil kinerja metode Problem Transformation dan Algorithm Adaptation dalam melakukan klasifikasi multi-label. Dataset yang digunakan adalah 450 data pertanyaan pada forum Q&A platform Kotakode. Metode Problem Transformation yang digunakan pada penelitian ini adalah Label Powerset, Binary Relevance, dan Classifier Chain dengan K-Nearest Neighbor sebagai algoritma klasifikasi. Sedangkan metode Algorithm Adaptation yang digunakan adalah Multi-Label K-Nearest Neighbor (ML-KNN). Grid Search Cross Validation digunakan pada penelitian ini untuk menemukan nilai hyperparameter k yang dapat memberikan hasil kinerja model terbaik. Hasil Penelitian menunjukkan bahwa metode Problem Transformation Label Powerset dengan K-Nearest Neighbor sebagai algoritma klasifikasi menghasilkan nilai akurasi, precision, recall, dan f1 score terbaik, yaitu 86%, 92%, 86%, dan 87%. Berdasarkan hasil tersebut, Metode Problem Transformation Label Powerset-KNN menghasilkan kinerja lebih baik dalam melakukan klasifikasi multi-label pertanyaan Kotakode dibandingkan dengan metode Algorithm Adaptation Multi-Label K-Nearest Neighbor.

Kata Kunci— Klasifikasi Multi-Label, Problem Transformation, ML-KNN, Grid Search Cross Validation.

Abstrak EN :

Multi-label classification is the process of grouping data into several classes or labels based on the similarity of characteristics of the data. In multi-label classification, each data can have more than one class. Multi-label classification can be implemented through two approach methods there are Problem Transformation and Algorithm Adaptation. Previous researchers have researched the classification of multi-label text. However, no research has been found that focuses on comparing Problem Transformation and Algorithm Adaptation based on multi-label questions with the question hashtag as a class. This research aims to perform multi-label classification on text data and compare the performance results of Problem Transformation and Algorithm Adaptation in performing multi-label classification. The dataset used is 450-question data on the Kotakode Q&A platform. The Problem Transformation method used in this research is Label Powerset, Binary Relevance and Classifier Chain with K-Nearest Neighbor as the classification algorithm. While the Algorithm Adaptation used is Multi-Label K-Nearest Neighbor (ML-KNN). Grid Search Cross-Validation is used in this study to find the value of the hyperparameter k that can give the best model performance results. The results showed that the Problem Transformation Powerset label with K-Nearest Neighbor as the classification algorithm has the best accuracy, precision, recall, and f-1 scores. Accuracy 86%, precision 92%, recall 86%, and f1 score 87%. Based on these results, the Problem Transformation Label Powerset-KNN method produces better performance in classifying multi-label Kotakode questions when compared to the Adaptation Algorithm ML-KNN.

Keywords— Multi-Label Classification, Problem Transformation, ML-KNN, Grid Search Cross Validation.

Link Artikel

File Abstrak

File Lampiran