Article Per Year (5 Year)
p-Index From 2021 - 2026
5.317
P-Index
This Author published in this journals
All Journal International Journal of Electrical and Computer Engineering Seminar Nasional Aplikasi Teknologi Informasi (SNATI) Lontar Komputer: Jurnal Ilmiah Teknologi Informasi E-Jurnal Matematika Jurnal Teknologi Informasi dan Ilmu Komputer International Journal of Advances in Intelligent Informatics Journal of Information Systems Engineering and Business Intelligence Indonesia Symposium on Computing Indonesian Journal on Computing (Indo-JC) JOIV : International Journal on Informatics Visualization Jurnal RESTI (Rekayasa Sistem dan Teknologi Informasi) JURNAL MEDIA INFORMATIKA BUDIDARMA Jurnal Sisfokom (Sistem Informasi dan Komputer) KOMIK (Konferensi Nasional Teknologi Informasi dan Komputer) JURIKOM (Jurnal Riset Komputer) YUME : Journal of Management TEKNOLOGIA TEKTRIKA - Jurnal Penelitian dan Pengembangan Telekomunikasi, Kendali, Komputer, Elektrik, dan Elektronika Building of Informatics, Technology and Science JOURNAL OF INFORMATION SYSTEM RESEARCH (JOSH) Journal of Data Science and Its Applications Jurnal Sistem Komputer dan Informatika (JSON) Journal of Applied Data Sciences Mosharafa: Jurnal Pendidikan Matematika Indonesian Journal of Social Science Research Open Science and Technology eProceedings of Engineering Innovative: Journal Of Social Science Research AMMA : Jurnal Pengabdian Masyarakat Jurnal INFOTEL
Adiwijaya
Universitas Telkom
Agriculture, Biological Sciences & Forestry Humanities Automotive Engineering Chemical Engineering, Chemistry & Bioengineering Chemistry Civil Engineering, Building, Construction & Architecture Computer Science & IT Control & Systems Engineering Decision Sciences, Operations Research & Management Economics, Econometrics & Finance Education Electrical & Electronics Engineering Engineering Environmental Science Health Professions Industrial & Manufacturing Engineering Law, Crime, Criminology & Criminal Justice Materials Science & Nanotechnology Mathematics Mechanical Engineering Nursing Public Health Social Sciences Other

Published : 170 Documents Claim Missing Document
Claim Missing Document
Check
Articles

Found 170 Documents
Search

 11   12   13   14   15 
Analisis Dan Implementasi Metode Minutiae Extraction Dan Template Matching Untuk Klasifikasi Sidik Jari Aras Teguh Prakasa; Said Al Faraby; Adiwijaya Adiwijaya
eProceedings of Engineering Vol 4, No 2 (2017): Agustus, 2017
Publisher : eProceedings of Engineering

Show Abstract | Download Original | Original Source | Check in Google Scholar

Abstract

Fungsi penting sidik jari salah satunya untuk alat verifikasi indentitas manusia. Apabila sebuah gambar sidik jari dilihat lebih dekat, maka akan terlihat pola garis yang membentuk sidik jari. Setiap sidik jari manusia memiliki pola yang berbeda dan bersifat unik. Fitur pada sebuah sidik jari dapat berupa pola sidik jari yang terputus atau bercabang, fitur ini biasa disebut minutiae. Agar dapat dilakukan proses klasifikasi, minutiae yang terdapat pada sidik jari harus di ekstrak terlebih dahulu ke dalam bentuk informasi yang mewakili masing-masing sidik jari. Banyak metode ditawarkan untuk melakukan klasifikasi sidik jari. Metode yang dilakukan biasanya berbasis machine learning misalnya metode SVM (Support Vector Machine), adapun metode lain yang dapat diteliti lebih lanjut misalnya template matching, metode ini mempunyai tingkat kesulitan yang sulit karena klasifikasi langsung dilakukan pada fitur yang telah di ekstrak. Kelebihannya metode template matching jika tepat penggunaannya maka akan menghasilkan teknik cepat tanpa learning tepat. Dengan demikian klasifikasi sidik jari dengan menggunakan metode ekstraksi fitur minutiae extraction dan metode klasifikasi template matching dapat menjadi kombinasi untuk memecahkan permasalahan klasifikasi sidik jari. Kata kunci : template matching, minutiae extration, fingerprint classification, klasifikasi sidik jari, ekstraksi fitur minutia.
Pelabelan Sinyal Elektrokardiogram (ekg) Pada Klasifikasi Fibrilasi Atrium Menggunakan Hidden Markov Model Zakia Firdha Razak; Adiwijaya Adiwijaya; Dody Qori Utama
eProceedings of Engineering Vol 5, No 3 (2018): Desember 2018
Publisher : eProceedings of Engineering

Show Abstract | Download Original | Original Source | Check in Google Scholar

Abstract

Abstrak Penyakit jantung telah menjadi salah satu penyebab kematian terbesar di dunia. Di antaranya yang paling sering terjadi adalah Fibrilasi Atrium, yaitu kondisi yang meliputi aktivitas sangat cepat dan tidak beraturan dalam atria serta menimbulkan gejala-gejala seperti jantung berdebar, sakit kepala, kehilangan kesadaran, sesak nafas dan rasa letih. Untuk mengenali penyakit ini, akan dikembangkan sebuah sistem pengenalan gelombang EKG. Hidden Markov Model yang menggunakan pendekatan probabilitas telah terbukti menghasilkan performansi yang bagus dalam pengenalan sinyal suara. Oleh karena itu, dalam tugas akhir ini akan diujikan metode HMM dalam kasus elektrokardiogram (EKG). Dalam sistem pendeteksian penyakit jantung terdapat 2 proses yaitu pemodelan dan pengenalan. Pada proses pemodelan akan dibuat suatu model pelabelan sinyal EKG dengan menghitung parameterparameter HMM, yaitu distribusi inisial state, distribusi probabilitas transisi antar state, dan distribusi probabilitas symbol observasi pada suatu state. Setelah diperoleh ketiga nilai tersebut yang optimal, maka terbentuklah suatu model HMM untuk jenis penyakit jantung. Sedangkan proses pengenalan penyakit jantung dilakukan pada tiap data EKG dengan menghitung likelihood dari data testing yang akan dikenali terhadap semua model data EKG yang telah dilatih sebelumnya. Dengan pelabelan yang teliti dan penentuan nilai probabilitas observasi yang optimal, HMM dapat digunakan untuk mengenali penyakit jantung. Hasil dari pengujian menunjukkan, nilai probabilitas observasi yang didapat dari nilai random selalu menghasilkan akurasi yang berubah-ubah, berbeda jika disama ratakan dengan jumlah state dan jumlah pengamatan. Selain itu, perbandingan jumlah state serta proporsi data juga berpengaruh terhadap akurasi. Akurasi terbesar adalah 100% dengan 2 dan 4 state ketika proporsi data training sebanyak 75% dan nilai probabilitas observasi diatur random. Kata kunci : hidden markov model, elektrokardiogram, distribusi inisial state, distribusi probabilitas transisi antar state, distribusi probabilitas simbol observasi Abstract Heart disease has become one of the biggest causes of death in the world. Among the most common is Atrial Fibrillation, a condition that includes very fast and irregular activities in atria and causes many symptoms such as palpitations, headaches, loss of consciousness, shortness of breath and tiredness. To recognize this disease, an ECG wave recognition system will be developed. Hidden Markov Model that use a probability approach has been proven to make good performance in speech signal recognition. Therefore, in this final project the HMM method will be tested on electrocardiogram (ECG) signal. In the detection system for heart disease there are 2 processes; modeling and recognition. In the modeling process, ECG signal labeling model will be made by calculating HMM parameters, namely the initial state distribution, the state transition probability distribution, and the observation symbol probability distribution. After obtaining these three optimal values, an HMM then formed for each type of heart disease. The recognition process of heart disease is carried out on each ECG data by calculating likelihood from testing data that will be identified by all models of ECG record after they have been previously trained. With appropiate labeling and determination of optimal observation probability values, HMM can be used to identify heart disease. The results showed that the probability value of the observations obtained from random values always results in varying accuracy. The comparison of the state number and the data proportion also affects accuracy. The highest accuracy is 100% with 2 states when the proportion of training data is 75% and the probability value is arranged randomly. Keywords: hidden markov model, elektrocardiogram, initial state distribution, state transition probability distribution, observation symbol probability distribution
Implementasi Mutual Information Dan Naive Bayes Untuk Klasifikasi Data Microarray Mohamad Syahrul Mubarok; Kurnia C Widiastuti; Adiwijaya Adiwijaya
eProceedings of Engineering Vol 4, No 2 (2017): Agustus, 2017
Publisher : eProceedings of Engineering

Show Abstract | Download Original | Original Source | Check in Google Scholar

Abstract

Abstract. Menurut data dari World Health Oeganization (WHO), kanker merupakan salah satu penyakit penyumbang utama kematian didunia. Sekitar 8,2 juta orang meninggal karena kanker. Oleh karena berbahayanya penyakit ini berbagai cara dilakukan untuk melakukan pencegahan maupun pendeteksian secara dini. Namun pendeteksian penyakit kanker sangatlah rentan terjadi berbagai kesalahan yang dilakukan manusia, seperti yang dimuat pada Jurnal kesehatan BMJ, kesalahan medis menyebabkan 251.454 kematian setiap tahunnya di Amerika Serikat. Guna menanggulangi masalah tersebut digunakanlah teknologi gene expression dengan bantuan teknologi microarray. Masalah muncul, kurang memungkinkan pengolahan data microarray karena besarnya dimensi yang dimiliki. Apabila dimensi dikurangi secara tiba-tiba tentu akan merusak informasi yang dimiliki dan akan berakibat data tidak dapat diklasifikasikan. Karenanya dibutuhkan sistem yang mampu mengklasifikasi data microarray tanpa menghilangkan informasi penting. Pada penelitian ini, sistem dibangun dengan menggunakan pendekatan machine learning yaitu dengan Naive Bayes. Untuk mencapai pendekatan ini, dibutuhkan feature selection berupa Mutual Information. Feature tersebut menangani kasus reduksi dimensi, yang mana memisahkan variabel terpenting dari keseluruhan variabel. Untuk mengukur performansi sistem yang dibangun, digunakan F1-score. Sistem yang dibangun mampu mengklasifikasi kanker pada data microarray dengan rata-rata F1-score mencapai 0.89.
Klasifikasi Sentimen Pada Level Aspek Terhadap Ulasan Produk Berbahasa Inggris Menggunakan Bayesian Network (case Study : Data Ulasan Produk Amazon) Andri Saputra; Adiwijaya Adiwijaya; Mohamad Mubarok
eProceedings of Engineering Vol 4, No 3 (2017): Desember, 2017
Publisher : eProceedings of Engineering

Show Abstract | Download Original | Original Source | Check in Google Scholar

Abstract

Dari tahun ke tahun, transaksi online atau e-commerce semakin meningkat. Dengan peningkatan tersebut, e-commerce dapat memberikan peluang besar bagi produsen untuk memasarkan produk dan memudahkan orang-orang untuk berbagi aktivitas yang mereka lakukan, termasuk memberikan ulasan suatu produk. Ulasan tersebut digunakan oleh calon konsumen untuk mengetahui kelebihan atau kekurangan dari suatu produk dan dapat membantu calon konsumen dalam menentukan keputusan dalam pembelian produk. Dengan meningkatnya jumlah ulasan suatu produk, calon konsumen kesulitan untuk memahami semua ulasan suatu produk dan akhirnya tidak dapat menarik kesimpulan yang tepat dari ulasan tersebut. Oleh karena itu, pada tugas akhir dibangun sistem yang mampu melakukan klasifikasi sentimen terhadap fitur dan peringkasan hasil klasifikasi sentimen terhadap fitur. Klasifikasi sentimen dan peringkasan suatu ulasan produk dilakukan pada level aspek untuk mengetahui opini konsumen suka atau tidak terhadap fitur suatu produk. Klasifikasi aspek dan sentimen menggunakan pendekatan supervised learning, dimana learning menggunakan data yang berlabel. Bayesian Network merupakan salah satu metode yang digunakan pada probabilistic classifiers. Bayesian network digunakan untuk menentukan aspek yang terdapat pada ulasan beserta sentimen positif atau negatif dengan memanfaatkan hubungan antar kata-kata dan variabel pada ulasan. Penerapan Bayesian network untuk klasifikasi aspek menghasilkan performansi f1-score sebesar 88,73 % dan klasifikasi aspek dan sentimen menghasilkan performansi f1-score sebesar 86,0408%. Kata kunci: klasifikasi sentimen, level aspek, ulasan produk, Bayesian network.
Klasifikasi Sentimen Pada Movie Review Dengan Metode Multinomial Naïve Bayes Jenepte Wisudawati Simanullang; Adiwijaya Adiwijaya; Said Al Faraby
eProceedings of Engineering Vol 4, No 2 (2017): Agustus, 2017
Publisher : eProceedings of Engineering

Show Abstract | Download Original | Original Source | Check in Google Scholar

Abstract

Opini orang lain terhadap suatu movie review di media sangat penting dalam membuat suatu keputusan. Untuk mengetahui opini seseorang terhadap suatu movie review di media diperlukan sistem yang dapat mempermudah dalam mengetahui opini seseorang. Klasifikasi sentimen dapat membantu dalam membangun sistem untuk mengetahui opini seseorang terhadap movie review. Dataset yang digunakan dalam proses klasifikasi sentimen ini adalah Internet Movie Database (IMDb). Namun yang menjadi permasalahan dalam mengetahui polaritas suatu opini dalam proses klasifikasi sentimen pada dataset movie review adalah adannya data yang tidak terstuktur, atribut data yang begitu banyak serta adannya negasi yang menyebabkan polaritas suatu kata akan berbeda pada konteks teks yang berbeda. Degan permasalahan tersebut maka proses klasifikasi pada dataset tersebut akan di klasifikasikan ke dalam dua kelas polaritas yaitu positif dan negatif. Metode klasifikasi yang digunakan adalah dengan menggunakan metode multinomial naïve bayes. Untuk meningkatkan nilai akurasi metode multinomial naïve bayes dilakukan dengan memecahkan masalah diatas. Dalam memecahkan permasalahan tersebut yang dilakukan adalah pertama, akan dilakukan proses preprocessing untuk menangani data noisy. Kedua, dilakukan penanganan negasi, adapun lingkup permasalah negasi yang akan dilakukan adalah negasi dengan kata “not”, “n’t”, “no”. Ketiga, dilakukan penghitungan bobot setiap kata dengan menggunakan TF-IDF. Berdasarkan hasil pengujian yang telah dilakukan diperoleh nilai akurasi terbesar 85,16%. Hal tersebut dikarenakan multinomial naïve bayes dengan negation handling berdasarkan punctuation, preprocessing dan TF-IDF dapat meningkatkan nilai akurasi terhadap metode multinomial naïve bayes. Kata kunci : Multinomial Naïve Bayes, TF-IDF, Preprocessing, Negasi
Analisis Sentimen Level Kalimat Pada Ulasan Produk Menggunakan Bayesian Networks Desi Sitompul; Adiwijaya Adiwijaya; Mohamad Mubarok
eProceedings of Engineering Vol 4, No 3 (2017): Desember, 2017
Publisher : eProceedings of Engineering

Show Abstract | Download Original | Original Source | Check in Google Scholar

Abstract

Teknologi informasi berkembang secara masif dan cepat memberikan dampak pada kehidupan manusia, pada sektor perekonomian minat masyarakat beralih dari proses jual beli konvensional ke arah yang lebih modren yaitu proses jual beli melalui media online. Perubahan tersebut tentunya tidak disia-siakan oleh produsen, terbukti dengan banyaknya muncul penyedia wadah jual beli online melalui website. Hal tersebut yang dalam sektor perokoniman disebut e-commerce. Konsumen dapat berkontribusi memberikan penilaian terhadap produk dengan cara menulisakan ulasan (review). Review produk dapat digunakan produsen untuk menilai kualitas produksi sedangkan calon konsumen dapat menggunakan review sebagai bahan keputusan pembelian suatu produk. Review yang diberikan konsumen seringkali tidak sesuai dengan kaidah-kaidah standar dan jumlahnya tidak sedikit. Calon konsumen sebagi pembaca seringkali kesulitan dalam memahami review dan tidak memiliki cukup waktu untuk menganalisis review dalam jumlah banyak. Oleh karena itu pada tugas akhir ini dibangun sistem yang mampu mengklasifikasikan sentimen dan peringkasan hasil klasifikasi sentimen. Klasifikasi ulasan produk yang dianalisis yaitu berdasarkan level kalimat. Penelitian ini dilakukan dengan menggunakan metode Bayesian Networks. Bayesian Networks adalah sebuah metode pemodelan data ke dalam model DAG (Directed Acrylic Graf), yaitu graf yang menggambarkan hubungan probabilisitik antar variabel yang saling berkaitan. Metode tersebut dipilih karena pada proses sentiment analysis, objek dan kata sifat pada kalimat saling berkaitan dan dapat mempengaruhi satu sama lain. Mutual information (MI) sebagi metode untuk menemukan term yang saling terkait dan Bag of words sebagia metode ekstraksi opini. Bayesian Network untuk klasifikasi sentimen pada kalimat menghasilkan performansi 85,6% dan klasifiki fitur aspek 88.46%. Kata kunci: Sentimen Analisis, Bayesian Networks, Text mining, level kalimat, peringkasan opini, supervised learning, mutual information
Analisis Churn Prediction Menggunakan Metode Logistic Regression Dan Smote (synthetic Minority Over-sampling Technique) Pada Perusahaan Telekomunikasi Muhammad Mujaddid; Adiwijaya Adiwijaya; Said Faraby
eProceedings of Engineering Vol 4, No 3 (2017): Desember, 2017
Publisher : eProceedings of Engineering

Show Abstract | Download Original | Original Source | Check in Google Scholar

Abstract

Persaingan antara perusahaan telekomunikasi seluler pada masa ini adalah dengan mempertahankan pelanggan. Pelanggan menjadi salah satu faktor utama dalam kesuksesan yang dicapai dalam perusahaan telekomunikasi seluler. Pelanggan dapat memilih sesuai dengan keinginan dan kebutuhan, hal ini menjadi faktor utama pemicu terjadinya churn. Churn prediction adalah metode yang digunakan untuk memprediksi pelanggan yang kemungkinan churn dan pelanggan yang tetap bertahan pada suatu perusahaan tertentu. Churn prediction harus dilakukan untuk mengetahui kemungkinan pelanggan berpindah layanan. Dalam sebagian besar kasus data pelanggan churn memiliki jumlah lebih rendah dibanding dengan data non-churn, fakta ini memunculkan permasalahan pada saat klasifikasi yaitu imbalanced data. Dalam menangani permasalahan churn dan imbalanced data digunakan beberapa metode data mining. Permasalahan pada imbalanced data, penulis menerapkan teknik SMOTE untuk penanganan data. Kemudian untuk mengklasifikasikan kelas churn dan non-churn menggunakan metode logistic regression. Metode logistic regression merupakan model prediksi yang digunakan untuk mendapatkan kemungkinan diantara dua nilai churn. Data yang digunakan adalah data pelanggan dari WITEL PT.Telekomunikasi Regional 7. Penelitian yang dilakukan menggunakan metode logistic regression dan penanganan imbalance data dengan SMOTE memiliki hasil performansi dengan tingkat akurasi sebesar 92,4% dan f1-measure sebesar 31,27% Kata kunci: SMOTE, churn, churn prediction, imbalanced data, logistic regression, klasifikasi
Klasifikasi Multi-Label pada Topik Berita Berbahasa Indonesia menggunakan Artificial Neural Network Muhammad Fauzan; Adiwijaya Adiwijaya; Mohamad Syahrul Mubarok
eProceedings of Engineering Vol 5, No 3 (2018): Desember 2018
Publisher : eProceedings of Engineering

Show Abstract | Download Original | Original Source | Check in Google Scholar

Abstract

Abstrak Ketidaksesuaian antara judul dan topik yang ada pada suatu berita menjadi masalah tersendiri dalam mencari berita. Hal ini penting dilakukan untuk membantu pembuat berita dalam menentukan topik yang tepat pada berita yang dibuatnya. Pada penelitian ini topik berita berbahasa Indonesia akan diklasifikasikan ke dalam suatu multi-label menggunakan Artificial Neural Network (ANN) sehingga didapatkan klasifikasi label yang tepat berdasarkan topik beritanya. Data berupa teks akan dijadikan masukan dan dilakukan ekstraksi ciri menggunakan weighting TF-IDF untuk mendapatkan data berbentuk vektor. Berdasarkan hasil penelitian didapatkan kombinasi parameter maksimum epoch, learning rate, jumlah neuron, alpha yang paling optimal yaitu 400, 0.02, 20, 0.3 dengan loss sebesar 0.0021. Kata kunci : Topik berita, klasifikasi, multi-label, ANN. Abstract The mismatch between the headline and the topic on a news becomes a separate issue in searching for news. This is important to help newsmakers in determining the right topic on the news that has been made. In this research the topic of Indonesian language news will be classified into a multi-label using Artificial Neural Network (ANN) so as to get the right label classification based on the news topic. Text data will be input and feature extraction using weighting TF-IDF to get vector-shaped data. Based on the result of the research, the maximum combination of epoch parameters, learning rate, number of neurons, alpha at the most optimum are 400, 0.02, 20, 0.3 with loss 0.0021. Keywords: news topic, classification, multi-label, ANN.
Analisis Sentimen Pada Data Ulasan Produk Toko Online Dengan Metode Maximum Entropy Alvi Syah; Adiwijaya Adiwijaya; Said Faraby
eProceedings of Engineering Vol 4, No 3 (2017): Desember, 2017
Publisher : eProceedings of Engineering

Show Abstract | Download Original | Original Source | Check in Google Scholar

Abstract

Seiring dengan perkembangan dunia internet berpengaruh terhadap proses transaksi jual dan beli yang dimana proses sebelumnya bersifat konvensional berubah ke tingkat modern dengan adanya internet atau bisa disebut dengan e-commerce. Perkembangan e-commerce yang sangat cepat merupakan peluang besar bagi produsen untuk memasarkan produknya dan mempromosikannya kepada konsumen. Salah satu hal yang menjadi perhatian konsumen ketika membeli produk adalah review. Konsumen yang ingin membeli suatu produk tentunya akan melihat dari review tersebut apakah baik atau buruk. Dengan banyaknya review akan menyulitkan konsumen apakah produk tersebut layak untuk dibeli atau tidak. Oleh Karena itu, pada penelitian tugas akhir ini akan membuat suatu sistem yang mampu melakukan klasifikasi review tersebut yang bersifat review positif atau review negatif. Data yang digunakan pada penelitian ini yaitu review produk Amazon yang fokus pada kategori cell phones & accessories. Klasifikasi pada penelitian tugas akhir ini yaitu menggunakan metode maximum entropy dan juga menggunakan metode TF-IDF untuk mendapatkan fitur pada produk di dalam review tersebut. Untuk evaluasi menggunakan nilai presisi, recall dan juga f-1 measure. Hasil percobaan terbaik yaitu akurasi 83% dan f-1 measure 90.074% pada iterasi ke 1000. Kata kunci: amazon, review, tf-idf, maximum entropy, cell phones & accessories.
Klasifikasi Anjuran, Larangan, Dan Informasi Pada Hadits Shahih Bukhari Menggunakan Metode Support Vector Machine Andina Kusumaningrum; Said Faraby; Adiwijaya Adiwijaya
eProceedings of Engineering Vol 4, No 3 (2017): Desember, 2017
Publisher : eProceedings of Engineering

Show Abstract | Download Original | Original Source | Check in Google Scholar

Abstract

Pertumbuhan informasi khususnya dalam bentuk data teks pada media online yang semakin pesat mendorong berbagai penelitian terkait dengan pengolahan data teks. Salah satu penelitian yang banyak dilakukan adalah klasifikasi teks dengan memanfaatkan machine learning. Namun, penelitian klasifikasi teks masih cukup jarang diterapkan untuk mengolah data teks kitab agama seperti hadits. Saat ini selain dibukukan, kumpulan data hadits dapat dengan mudah didapatkan baik dari internet maupun disajikan didalam aplikasi namun tidak disertai dengan informasi makna dari hadits tersebut. Sehingga, untuk masyarakat awam atau bahkan umat muslim yang sedang mempelajari hadits mungkin mengalami kesulitan dalam memahami makna dari hadits-hadits tersebut mengingat jumlah data hadits yang cukup banyak. Maka, pengolahan terhadap data teks hadits ini perlu dilakukan, karena didalam hadits terdapat berbagai pedoman yang bermanfaat untuk masyarakat khususnya umat muslim dalam berperilaku sesuai dengan sunnah Nabi Muhammad Shallallahu ‘Alaihi Wasallam. Berdasarkan permasalahan tersebut, pada penelitian ini akan dilakukan analisis pada sebuah sistem klasifikasi teks secara otomatis yang dibangun terhadap salah satu kumpulan hadits terbaik yaitu Hadits Shahih Bukhari terjemahan Bahasa Indonesia ke dalam kategori Anjuran, Larangan, dan Informasi. Selain membangun classifier dengan menggunakan pendekatan machine learning yaitu metode Support Vector Machine, peneliti juga membandingkan dengan classifier yang dibangun dengan menggunakan pendekatan simple rule-based system. Hal itu dilakukan untuk membuktikan bahwa pendekatan rule-based memiliki performa yang kurang baik untuk mengklasifikasikan data teks hadits sehingga dibutuhkan pendekatan machine learning. Kata Kunci : klasifikasi teks, multiclass classification, Hadits Shahih Bukhari, Support Vector Machine.
Co-Authors A Rakha Ahmad Taufiq Abu Bakar, Muhammad Yuslan Ade Iriani Sapitri Ade Sumiahadi, Ade Adhitia Wiraguna Adhitia Wiraguna Aditya Arya Mahesa Adnan Imam Hidayat Adwin Rahmanto Afrian Hanafi Al Faraby, Said Al Mira Khonsa Izzaty Alfian Akbar Gozali Alvi Syah Amalya Citra Pradana Amir Andi Ahmad Irfa ANDI FUTRI HAFSAH MUNZIR Andina Kusumaningrum Andri Saputra Andrian Fakhri Andriyan B Suksmono Anggitha Yohana Clara Aniq Atiqi Aniq Atiqi Rohmawati Anisa Salama Annas Wahyu Ramadhan Annisa Adistania Annisa Aditsania Antika Putri Permata Wardani Aras Teguh Prakasa Astrid Frillya Septiany Astrima Manik Aziz, Muhammad Maulidan Azmi Hafizha Rahman Zainal Arifin Bambang Riyanto T. Bayu Julianto Bayu Munajat Bayu Munajat Bayu Rahmat Setiaji Bernadus Seno Aji Bernadus Seno Aji Bintang Peryoga Bisma Pradana Brama Hendra Mahendra Chiara Janetra Cakravania Clarisa Hasya Yutika D. R. Suryandari Dana Sulistiyo Kusumo Danang Triantoro Danang Triantoro Murdiansyah Daniel Tanta Christopher Sirait Dany Dwi Prayoga Dany Dwi Prayoga Della Alfarydy Akbar Deni Saepudin Denny Alriza Pratama Desi Sitompul Dewangga, Dhiya Ulhaq Dian Chusnul Hidayati Didi Rosiyadi Didit Adytia Dinda Karlia Destiani Dody Qori Utama Dody Qory Utama Dwi Yanita Apriliyana Dwi Yanita Apriliyana Dwifebri, Mahendra Eko Darwiyanto Eliza Jasin Elza Oktaviana Elza Oktaviana Endro Ariyanto Ergon Rizky Perdana Purba F. A. Yulianto Fachri Pane, Syafrial Fahmi Salman Nurfikri Faris Alfa Mauludy Faris Alfa Mauludy Farudi Erwanda Farudi Erwanda Fathur Rohman Fathurrohman Elkusnandi Fhira Nhita Fikri Rozan Imadudin Firda A. Ma’ruf Firdausi Nuzula Zamzami Firly Juanita Surahman Fuad Ash Shiddiq Gde Agung Brahmana Suryanegara Ghozy Ghulamul Afif Gia Septiana Gia Septiana Gia Septiana Gilang Rachman Perdana Gilang Rachman Perdana Gilang Titah Ramadhani Grace Tika Guntoro Guntoro Guntoro Guntoro Guntoro Guntoro Hadyan Arif Hafidudin . Hafizh Fauzan Hafizh Fauzan Hendro Prasetyo Henri Tantyoko Honakan Honakan I Kadek Haddy W. I Made Riartha Prawira I.G.N.P.Vasu Geramona Ilham Kurnia Syuriadi Ilham Yunirakhman Imadudin, Fikri Rozan Imam Prayoga Indriani Indriani Irene Yulietha Irma Irma Irma Palupi Irwinda Famesa Iyon Priyono Jendral Muhamad Yusuf Zia Ul Haq Jenepte Wisudawati Simanullang K, Kasnaeny Kamal Hasan Mahmud Kemas Muslim Lhaksmana Kemas Rahmat Saleh Raharja Kemas Rahmat Saleh Wiharja Kurnia C Widiastuti Kurniawan W. Handito Laila Putri Lalu Gias Irham Lisa Marianah Lisa Marianah Luke Manuel Daely Mahendra Dwifebri P Mahendra Dwifebri Purbolaksono Mahmud Dwi Sulistiyo Melanida Tagari Melanida Tagari Michael Sianturi Milah Sarmilah Moc. Arif Bijaksana Mochamad Agusta Naofal Hakim Mochammad Naufal Rizaldi Mohamad Irwan Afandi Mohamad Mubarok Mohamad Syahrul Mubarok Mohamad Syahrul Mubarok Mohammad Syahrul Mubarok Monica Triyani Muhammad Afianto Muhammad Enzi Muzakki Muhammad Fauzan Muhammad Feridiansyah Muhammad Ghufran Muhammad Irvan Tantowi Muhammad Kenzi Muhammad Mubarok Muhammad Mujaddid Muhammad Naufal Mukhbit Amrullah Muhammad Nurjaman Muhammad Shiddiq Azis Muhammad Shiddiq Azis Muhammad Surya Asriadie Muhammad Syahrul Mubarok Muhammad Yuslan Abu Bakar Nanda Prayuga Nida Mujahidah Azzahra Nida Mujahidah Azzahra Niken Dwi Wahyu Cahyani Novelty Octaviani Faomasi Daeli Novia Russelia Wassi Nuklianggraita, Tita Nurul Nur Ghaniaviyanto Ramadhan Oscar Ramadhan Pinem, Joshua Pratama Dwi Nugraha Preddy Desmon Purbalaksono, Mahendra Dwifebri Putri, Dinda Rahma Putri, Dita Julaika Raihana Salsabila Darma Wijaya Rendi Kustiawan Reynaldi Ananda Pane Riche Julianti Wibowo Riko Bintang Purnomoputra Riska Chairunisa Rizki Syafaat Amardita Rizky Pujianto Rizma Nurviarelda Roberd Saragih Rosyadi, Ramadhana Said Faraby Satria Mandala Sekar Kinasih Semeidi Husrin Sheila Annisa Shidqi Aqil Naufal Shuni’atul Ma’wa Sigit Bagus Setiawan St.Sukmawati S. Sugeng Hadi Wirasna Suriyanti Suriyanti Syafrial Fachri Pane, Syafrial Fachri Syahrizal Rizkiana Rusamsi Syam, Mukhlisah Syifa Khairunnisa Talitha Kayla Amory Tati LR Mengko Tesha Tasmalaila Hanif Timami Hertza Putrisanni Tita Nurul Nuklianggraita Triyani, Monica Try Moloharto Untari Novia Wisesty Untari Wisesty Untari. N. Wisesty Untary Novia Wisesty Vina Mutiara Purnama Warih Maharani Widi Astuti Widi Astuti Widi Astuti Winda Christina Widyaningtyas Wisnu Adhi Pradana Yana Meinitra Wati Yoga Widi Pamungkas Yuliant Sibaroni Zahra Putri Agusta Zakia Firdha Razak Zulfikar Fauzi