<![CDATA[Penelitian ini bertujuan untuk membangun model pengklasifikasian genre Webtoon berdasarkan ringkasan cerita. Dari model yang dihasilkan, akan dieksplorasi proses seleksi fitur pada perbaikan algoritma klasifikasi yang dilihat melalui nilai akurasi dan waktu komputasi. Algoritma klasifikasi yang digunakan adalah K-Nearest Neighbors (KNN) serta algoritma yang digunakan untuk seleksi fitur adalah Particle Swarm Optimization (PSO). Proses ini diawali dengan pemilihan data dan preprocessing yang terdiri dari cleaning, filtering, lemmatization dan stemming, serta tokenizing. Kemudian, diikuti proses transformation dan seleksi fitur dengan package Pyswarm. Fitur terpilih kemudian digunakan pada proses data mining yaitu klasifikasi. selanjutnya hasil dievaluasi dan diinterpretasi. Hasil penelitian menunjukkan bahwa algoritma PSO-KNN terbukti lebih baik daripada algoritma KNN dalam mengklasifikasi genre Webtoon. Diperoleh nilai akurasi dari klasifikasi dengan algoritma KNN yaitu sebesar 88% sedangkan dengan algoritma PSO-KNN diperoleh nilai akurasi sebesar 100%. Selain itu waktu komputasi yang digunakan oleh algoritma PSO-KNN dalam mengkasifikasi terbukti lebih singkat dari algoritma KNN.Kata kunci: Text mining, K-Nearest Neighbors, Particle Swarm Optimization, Seleksi Fitur.]]>
Copyrights © 2024
