IMPLEMENTASI METODE SUPPORT VECTOR MACHINE (SVM) DALAM KLASIFIKASI JUDUL BERITA HOAKS POLITIK

CINDY, ANISYA (2024) IMPLEMENTASI METODE SUPPORT VECTOR MACHINE (SVM) DALAM KLASIFIKASI JUDUL BERITA HOAKS POLITIK. FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM, UNIVERSITAS LAMPUNG.

Preview	File PDF ABSTRAK - Cindy Anisya.pdf Download (11Kb) | Preview
	File PDF SKRIPSI FULL - Cindy Anisya.pdf Restricted to Hanya staf Download (2407Kb) | Minta salinan
Preview	File PDF SKRIPSI TANPA BAB PEMBAHASAN - Cindy Anisya.pdf Download (2220Kb) | Preview

Abstrak (Berisi Bastraknya saja, Judul dan Nama Tidak Boleh di Masukan)

Support Vector Machine (SVM) is a method in machine learning with the concept of finding the optimal hyperplane in the input space so that it can classify binary or multiclass classification problems. This study aims to apply the SVM method to the classification of political hoax news titles, and determine the level of accuracy in each kernel function used in the SVM method. The kernel function used in this research is linear kernel, Radial Basis Function (RBF) kernel, polynomial kernel, and sigmoid kernel with a comparison between training data and testing data of 80%: 20%, 90%: 10%, and 95%: 5%. The results of this study show that the best accuracy value in the classification process is to use the RBF kernel function at a ratio of 80%:20%, and 95%:5% with an accuracy value of 92%. Keywords: Classification, Machine Learning, Machine Vector Support, News Headline. Support Vector Machine (SVM) merupakan sebuah metode dalam machine learning dengan konsep menemukan hyperplane optimal dalam ruang input sehingga dapat mengklasifikasikan masalah klasifikasi biner atau multikelas. Penelitian ini bertujuan menerapkan metode SVM pada klasifikasi judul berita hoaks politik, serta mengetahui tingkat akurasi pada setiap fungsi kernel yang digunakan pada metode SVM. Adapun fungsi kernel yang diguakan adalah kernel linear, kernel Radial Basis Function (RBF), kernel polinomial, dan kernel sigmoid dengan perbandingan antara data training dan data testing sebesar 80%:20%, 90%:10%, dan 95%:5%. Hasil dari penelitian ini menunjukkan bahwa nilai akurasi terbaik pada proses klasifikasi yaitu dengan menggunakan fungsi kernel RBF pada perbandingan 80%:20%, dan 95%:5% dengan nilai akurasi sebesar 92%. Kata kunci: Klasifikasi, Machine Learning, Support Vector Machine, Judul Berita.

Jenis Karya Akhir:	Skripsi
Subyek:	500 ilmu pengetahuan alam dan matematika 500 ilmu pengetahuan alam dan matematika > 510 Matematika
Program Studi:	FAKULTAS MIPA > Prodi Matematika
Pengguna Deposit:	UPT . Dito Nipati
Date Deposited:	20 Feb 2025 04:00
Terakhir diubah:	20 Feb 2025 04:00
URI:	http://digilib.unila.ac.id/id/eprint/84680

Actions (login required)

Lihat Karya Akhir