Article Per Year (5 Year)
p-Index From 2021 - 2026
0
P-Index
This Author published in this journals
All Journal Prosiding Seminar Nasional Sains Dan Teknologi Fakultas Teknik
Taufiq Akbar Herawan
Jurusan Informatika, Fakultas MIPA, Universitas Jenderal Achmad Yani
Computer Science & IT Engineering

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

Found 1 Documents
Search

 1 
KLASIFIKASI HELPDESK UNIVERSITAS JENDERAL ACHMAD YANI MENGGUNAKAN CONCEPT FREQUENCY-INVERSE DOCUMENT FREQUENCY (CF-IDF) DAN K-NEAREST NEIGHBORS (K-NN) Taufiq Akbar Herawan; Yulison Herry Chrisnanto; Asep Id Hadiana
Prosiding SNST Fakultas Teknik Vol 1, No 1 (2016): PROSIDING SEMINAR NASIONAL SAINS DAN TEKNOLOGI 7 2016
Publisher : Prosiding SNST Fakultas Teknik

Show Abstract | Download Original | Original Source | Check in Google Scholar | Full PDF (447.727 KB)

Abstract

Universitas Jenderal Achmad Yani (Unjani) memiliki fasilitas Helpdesk pada website sebagai tempat untuk menampung pelayanan berupa pesan yang terdiri dari pertanyaan atau komplain terhadap permasalahan yang berkaitan dengan civitas akademik. Banyaknya jumlah pesan yang diterima setiap harinya serta dengan dibutuhkannya tingkat kesiapan yang tinggi dapat berpotensi menimbulkan kesulitan dalam melakukan klasifikasi isi pesan, dengan demikian distribusi terhadap pesan tersebut menjadi terhambat. Proses klasifikasi memiliki beberapa proses preprocessing yang terdiri dari proses case folding, tokenizing, stemming, dan filtering. Pembobotan yang dilakukan adalah dengan menggunakan Concept Frequency-Inverse Document Frequency (CF-IDF). Cosine similarity salah satu metode yang dapat diterapkan untuk membandingkan kedekatan antara data latih degan data uji. K-Nearest Neighbors (K-NN) merupakan suatu metode yang menggunakan algoritma supervised yang dimana metode ini digunakan untuk melakukan klasifikasi terhadap objek berdasarkan data pembelajaran yang tingkat kemiripanya paling dekat dengan objek tersebut. Berdasarkan hasil dari penelitian yang telah dilakukan semakin besar jumlah K yang digunakan maka akurasi dari klasifikasi semakin menurun. Akurasi terbesar didapatkan dengan menggunakan jumlah kedekatan K=1 dengan akurasi sebesar 95%. Kata kunci: CF-IDF, cosine similarity, helpdesk, klasifikasi, K-NN
Co-Authors Hadiana, Asep Id Yulison Herry Chrisnanto