KAWANADKAWANAD

Journal Innovations Computer ScienceJournal Innovations Computer Science

Banyaknya jumlah data dokumen tugas akhir dari program studi di Sekolah Tinggi Manajemen Informatika dan Komputer (STMIK) Abulyatama dapat memberi kontribusi besar dalam sulitnya proses mengelompokkan suatu tema tugas akhir mahasiswa. Proses klasterisasi yang dilaksanakan secara manual selama ini sangat tidak efektif dan efisien, sehingga diperlukan suatu penerapan data mining untuk mengelola data tersebut khususnya untuk klasterisasi data tersebut. Adapun tujuan yang ingin dicapai dari penulisan skripsi ini adalah untuk penerapan Support Vector Machine dengan K-Means dan K-Medoids untuk mengoptimalkan klasterisasi tugas akhir. Hasil analisis Optimasi Support Vector Machine (SVM) Menggunakan K-Means dan K-Medoids Untuk Pengelompokan Tema Tugas Akhir Mahasiswa dapat disimpulkan beberapa hal yaitu; dengan metode K-Means Clustering dapat diketahui bahwa data mining sebanyak 23, jaringan sebanyak 10, Kecerdasan buatan 26, dan website sebanyak 21. Sedangkan dengan metode K-Medoids Clustering dapat diketahui bahwa data mining 18 items, jaringan 32 items, kecerdasan buatan 19 items, dan website 11 items.

1) Dengan metode K-Means Clustering dapat diketahui bahwa data mining sebanyak 23, jaringan sebanyak 10, Kecerdasan buatan 26, dan website sebanyak 21.2) Dengan metode K-Medoids Clustering dapat diketahui bahwa data mining 18 items, jaringan 32 items, kecerdasan buatan 19 items, dan website 11 items.Saran untuk penelitian selanjutnya adalah Adanya pengaturan parameter berbeda dalam penerapan K-Means dan Metode K-Medoids sehingga didapatkan variasi nilai dan nantinya akan didapatkan hasil terbaik dengan tingkat pengelompokan yang lebih baik, dan Model yang diterapkan untuk penelitian selanjutnya dapat diimplementasikan kedalam sebuah aplikasi dengan menggunakan bahasa pemrograman tertentu.

Penelitian lanjutan dapat menggabungkan metode K-Means dan K-Medoids dengan algoritma lain seperti deep learning untuk meningkatkan akurasi klasterisasi tugas akhir. Selain itu, penelitian dapat mengembangkan sistem yang mampu menyesuaikan parameter otomatis berdasarkan jenis data yang digunakan. Serta, dilakukan pengujian pada dataset yang lebih luas dan beragam untuk memvalidasi keandalan model di berbagai konteks akademik. Penelitian juga dapat fokus pada optimasi performa komputasi untuk mempercepat proses klasterisasi. Studi lanjutan bisa mengeksplorasi penerapan metode ini pada bidang lain seperti analisis data medis atau bisnis. Terakhir, pengembangan interface pengguna yang lebih intuitif untuk memudahkan akademisi dalam mengelola tugas akhir.

  1. Sentimen Analisis Masyarakat Indonesia di Twitter Terkait Metaverse dengan Algoritma Support Vector Machine... doi.org/10.35870/jtik.v6i4.569Sentimen Analisis Masyarakat Indonesia di Twitter Terkait Metaverse dengan Algoritma Support Vector Machine doi 10 35870 jtik v6i4 569
  2. Client Challenge. client challenge javascript disabled browser please enable proceed required part site... doi.org/10.1007/978-1-4757-4305-0_9Client Challenge client challenge javascript disabled browser please enable proceed required part site doi 10 1007 978 1 4757 4305 0 9
  3. Klasterisasi Jenis Musik Menggunakan Kombinasi Algoritma Neural Network, K-Means dan Particle Swarm Optimization... doi.org/10.24002/jbi.v6i3.431Klasterisasi Jenis Musik Menggunakan Kombinasi Algoritma Neural Network K Means dan Particle Swarm Optimization doi 10 24002 jbi v6i3 431
  4. Sistem Rekomendasi Tugas Akhir Mahasiswa pada AMIK Indonesia untuk Mendukung Merdeka Belajar-Kampus Merdeka... doi.org/10.35870/jtik.v6i2.420Sistem Rekomendasi Tugas Akhir Mahasiswa pada AMIK Indonesia untuk Mendukung Merdeka Belajar Kampus Merdeka doi 10 35870 jtik v6i2 420
Read online
File size910.43 KB
Pages15
DMCAReport

Related /

ads-block-test