Article Per Year (5 Year)
p-Index From 2021 - 2026
0.23
P-Index
This Author published in this journals
All Journal Indonesian Journal of Multidisciplinary on Social and Technology
Fakhrullah Abrisam
Universitas Ibn Khaldun Bogor
Computer Science & IT Economics, Econometrics & Finance Engineering Social Sciences

Published : 1 Documents Claim Missing Document
Claim Missing Document
Check
Articles

Found 1 Documents
Search

 1 
Implementasi Klasifikasi Genre Film Pada Platform Imdb Berdasarkan Deskripsi Sinopsis Film Menggunakan Algoritma Naïve Bayes, SVM, Dan Logistic Regression Muhammad Ilyassa; Satrio Akbar; Ikhwanul Akmal; Fakhrullah Abrisam; Hanif Zaidan Sinaga
Indonesian Journal of Multidisciplinary on Social and Technology Vol. 4 No. 3 (2026): Juli - Oktober
Publisher : PT Ilmu Data Indonesia

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.69693/ijmst.v4i3.12210

Abstract

Pertumbuhan data film digital dan meningkatnya penggunaan platform IMDb menuntut metode otomatis yang mampu mengelompokkan genre berdasarkan informasi tekstual secara konsisten. Penelitian ini bertujuan mengimplementasikan Natural Language Processing dan membandingkan kinerja Multinomial Naïve Bayes, Support Vector Machine LinearSVC, SVM dengan pembobotan kelas seimbang, serta Logistic Regression untuk mengklasifikasikan genre primer film berdasarkan sinopsis. Dataset IMDb Top 1000 dari Kaggle diseleksi menjadi 811 film pada lima genre utama, yaitu Drama, Action, Comedy, Crime, dan Biography. Tahapan penelitian meliputi case folding, cleaning, tokenization, stopword removal, stemming, ekstraksi fitur Term Frequency-Inverse Document Frequency, pembagian data secara stratified 80:20, pelatihan model, evaluasi accuracy, precision, recall, F1-score, confusion matrix, dan validasi silang stratified lima lipatan. Baseline kelas mayoritas menghasilkan akurasi 35,6%. Logistic Regression memberikan hasil terbaik dengan akurasi pengujian 43,56% dan rata-rata validasi silang 44,63%. SVM Balanced mencapai akurasi 42,33%, LinearSVC 41,10%, dan Naïve Bayes 40,49%. Naïve Bayes menunjukkan bias kuat terhadap kelas Drama, sedangkan SVM dan Logistic Regression menghasilkan prediksi lebih seimbang. Kinerja yang masih terbatas terutama dipengaruhi ketidakseimbangan kelas, tumpang tindih naratif antargenre, sinopsis yang pendek, dan penyederhanaan label multigenre menjadi genre primer. Hasil penelitian menegaskan bahwa Logistic Regression merupakan model klasik paling efektif pada konfigurasi data dan fitur yang digunakan serta layak dijadikan baseline untuk penelitian lanjutan.
Co-Authors Hanif Zaidan Sinaga Ikhwanul Akmal Muhammad Ilyassa Satrio Akbar