TINGKAT AKURASI METODE SUPPORT VECTOR MACHINE DAN K-NEAREST NEIGHBOR UNTUK KLASIFIKASI SIFAT KEPRIBADIAN BIG FIVE

ANNA ZIFAH, - (2019) TINGKAT AKURASI METODE SUPPORT VECTOR MACHINE DAN K-NEAREST NEIGHBOR UNTUK KLASIFIKASI SIFAT KEPRIBADIAN BIG FIVE. Skripsi thesis, Universitas Islam Negeri Sultan Syarif Kasim Riau.

[img] Text
LAP LENGKAP-ANNA ZIFAH.pdf

Download (4MB)
[img] Text (BAB V)
BAB V.pdf - Published Version
Restricted to Repository staff only

Download (1MB)

Abstract

Twitter merupakan salah satu media sosial yang populer di Indonesia. Setiap orang berbagi, dan mempublikasikan perasaan serta aktifitas keseharian yang secara sadar maupun tidak telah memberikan informasi. Informasi yang diberikan melalui postingan (tweet) dapat menggambarkan kepribadian yang dimiliki oleh seseorang. Setiap orang mempunyai pola kepribadian masing-masing. Tes psikologi merupakan salah satu cara untuk dapat mengetahui kepribadian seseorang, yaitu dengan melakukan tes tulis atau tes wawancara yang memakan banyak waktu serta tempat. Solusi dari permasalahan tersebut dengan memanfaatkan teknologi informasi. Berkembang pesatnya teknologi dan informasi membuat seseorang dapat mengetahui gambaran kepribadian yang dimiliki oleh orang lain dengan cara melakukan klasifikasi terhadap data postingan Twitter (tweet). Klasifikasi dilakukan dengan mengelompokkan kepribadian menjadi lima kelas (big five) diantaranya openness, concientiousness, extraversion, agreableness, neuroticism. Pada penelitian ini menggunakan metode SVM dan KNN dengan menggunakan 1500 tweet sebagai dataset dan 5 label kelas big five. Hasil dari penelitian ini, metode SVM memiliki nilai akurasi yang baik dan lebih tinggi daripada metode KNN dengan menghasilkan akurasi 92,667% dengan nilai parameter (C=1, γ=1) dan nilai threshold 0 pada pembagian data 70:30.

Item Type: Thesis (Skripsi)
Subjects: 000 Karya Umum > 005 Program Komputer, program-program, data
000 Karya Umum
Divisions: Fakultas Sains dan Teknologi > Teknik Informatika
Depositing User: fsains -
Date Deposited: 13 Dec 2019 07:08
Last Modified: 13 Dec 2019 07:08
URI: http://repository.uin-suska.ac.id/id/eprint/23364

Actions (login required)

View Item View Item