Article Per Year (5 Year)
p-Index From 2020 - 2025
0.23
P-Index
This Author published in this journals
All Journal Jurnal Pengembangan Teknologi Informasi dan Ilmu Komputer
Siregar, Fauziah Syifa R.
Unknown Affiliation
Computer Science & IT Control & Systems Engineering Education Electrical & Electronics Engineering Engineering

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

Found 1 Documents
Search
Journal : Jurnal Pengembangan Teknologi Informasi dan Ilmu Komputer

 1 
Klasifikasi Data Paten Berdasarkan Judul dan Abstrak Menggunakan Support Vector Machine Siregar, Fauziah Syifa R.; Eka Ratnawati, Dian
Jurnal Pengembangan Teknologi Informasi dan Ilmu Komputer Vol 9 No 9 (2025): September 2025
Publisher : Fakultas Ilmu Komputer (FILKOM), Universitas Brawijaya

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

Abstract

Proses klasifikasi manual data paten di Direktorat Inovasi dan Kawasan Sains dan Teknologi (DIKST) Universitas Brawijaya memerlukan waktu lama dan rawan kesalahan, sehingga menghambat pengelolaan informasi paten secara efisien. Penelitian ini bertujuan mengembangkan model klasifikasi otomatis data paten berdasarkan judul dan abstrak menggunakan algoritma Support Vector Machine (SVM). Dataset terdiri dari 617 data paten yang dikelompokkan ke dalam empat kategori: proses, metode, alat, dan formula. Tahapan text preprocessing meliputi case folding, tokenisasi, stopword removal, dan stemming. Ekstraksi fitur dilakukan menggunakan Term Frequency–Inverse Document Frequency (TF-IDF), sedangkan klasifikasi menggunakan SVM dengan kernel linear. Evaluasi model dilakukan dengan K-Fold Cross Validation menggunakan dua skema, yaitu 5-Fold dan 10-Fold, serta diukur menggunakan metrik akurasi, presisi, recall, dan F1-score. Hasil penelitian menunjukkan bahwa penerapan seluruh tahapan preprocessing menghasilkan performa terbaik dibandingkan skenario tanpa satu tahapan preprocessing. Validasi terbaik diperoleh pada 10-Fold dengan akurasi 81,20%, presisi 82,42%, recall 81,20%, dan F1-score 81,30%, sedangkan pada 5-Fold memperoleh akurasi 79,90%, presisi 80,62%, recall 79,90%, dan F1-score 79,94%. Model yang dihasilkan diharapkan dapat membantu DIKST mengotomatisasi proses klasifikasi paten sehingga pengelolaan data menjadi lebih cepat dan akurat.
Co-Authors Dian Eka Ratnawati