Article Per Year (5 Year)
p-Index From 2021 - 2026
0.23
P-Index
This Author published in this journals
All Journal Edutik : Jurnal Pendidikan Teknologi Informasi dan Komunikasi
Kassa, Murni
Unknown Affiliation
Computer Science & IT Control & Systems Engineering Decision Sciences, Operations Research & Management Education Electrical & Electronics Engineering Engineering Languange, Linguistic, Communication & Media Other

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

Found 1 Documents
Search

 1 
Studi Literatur: Analisis Penggunaan Support Vector Machine dalam Klasifikasi Teks Berita Distribusi Logistik Pilkada 2024 Kassa, Murni; Tangkawarow , Irene Realyta Haldy Trosi
Edutik : Jurnal Pendidikan Teknologi Informasi dan Komunikasi Vol. 6 No. 1 (2026): EduTIK : Februari 2026
Publisher : Jurusan PTIK Universitas Negeri Manado

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

Abstract

Pelaksanaan Pemilihan Kepala Daerah (Pilkada) tahun 2024 menuntut pengelolaan distribusi logistik yang akurat dan tepat waktu. Di sisi lain, masifnya produksi berita pada media daring menyebabkan proses pemantauan dan pengelolaan informasi menjadi sulit apabila dilakukan secara manual. Situasi ini menuntut penerapan metode otomatis berbasis text mining dan natural language processing untuk mengidentifikasi serta mengklasifikasikan berita yang relevan. Penelitian ini bertujuan untuk menelaah secara sistematis pemanfaatan algoritma Support Vector Machine (SVM) dalam klasifikasi teks berita daring, khususnya yang berkaitan dengan distribusi logistik Pilkada 2024. Metode yang digunakan adalah Systematic Literature Review (SLR) terhadap artikel ilmiah yang diterbitkan pada rentang tahun 2020–2025 dan membahas penerapan SVM dalam klasifikasi teks berita. Analisis dilakukan secara deskriptif kualitatif dengan meninjau perbedaan pendekatan metodologis, tahapan prapemrosesan, teknik representasi fitur, serta capaian kinerja algoritma yang dilaporkan pada penelitian sebelumnya. Hasil kajian menunjukkan bahwa algoritma SVM, terutama ketika dikombinasikan dengan pembobotan fitur Term Frequency–Inverse Document Frequency (TF-IDF), mampu memberikan performa klasifikasi yang stabil dan tinggi pada berbagai domain berita daring, dengan tingkat akurasi yang umumnya melampaui 85%. Meskipun demikian, kajian yang secara khusus berfokus pada klasifikasi berita terkait distribusi logistik Pilkada masih relatif terbatas. Oleh sebab itu, penelitian ini menegaskan adanya celah penelitian yang dapat dikembangkan lebih lanjut melalui penerapan SVM untuk klasifikasi berita distribusi logistik Pilkada 2024 secara lebih spesifik dan kontekstual.
Co-Authors Tangkawarow , Irene Realyta Haldy Trosi