Perbandingan Algoritma Supervised Learning untuk Klasifikasi Judul Skripsi Berdasarkan Bidang Dosen

Abstract

Pada jenjang pendidikan khususnya S1, syarat kelulusan adalah menyelesaikan skripsi. Dalam penyusunan skripsi, mahasiswa didampingi oleh dosen pembimbing yang akan mengarahkan dan sebagai tempat berkonsultasi. Kasusnya masih ada mahasiswa yang bingung untuk mengambil skripsi. Ada beberapa alasan mereka tidak memiliki judul untuk diajukan, dan bingung memilih tutor yang sesuai dengan judul atau tema mereka. Terkadang di kampus mahasiswa bisa mendapatkan pembimbing, namun tidak sesuai dengan bidangnya, dan tidak sesuai dengan tema judul skripsi. Oleh karena itu, pada penelitian ini akan membuat klasifikasi bidang dosen berdasarkan gelar mahasiswa. Data yang digunakan sebanyak 1598 diambil dari kampus Universitas AMIKOM Yogyakarta dengan menambahkan beberapa data baru. Dengan adanya dosen yang sesuai dengan bidangnya maka akan lebih mudah dalam membimbing mahasiswa. Penelitian ini melakukan tahapan pelabelan, preprocessing teks, dan pembobotan kata atau disebut TF-IDF (Term Frequency – Inverse Document Frequency). Setelah itu, pemisahan data akan diklasifikasikan dengan algoritma naive bayes classifier (NBC), K-Nearest Neighbor (K-NN), dan Support Vector Machine (SVM). Kinerja dari ketiga algoritma tersebut dibandingkan untuk mengetahui kinerja dari algoritma tersebut baik. Hasil penelitian menunjukkan algoritma Support Vector Machine (SVM) tampil lebih baik dengan menghasilkan akurasi sebesar 89,24%, sedangkan algoritma Naive Bayes Classifier (NBC) menghasilkan akurasi sebesar 88,29%, dan algoritma K-Nearest Neighbor (KNN) dengan nilai k dari 18 menghasilkan akurasi 85,14%.