Implementasi Metode Gradient Boosting Decision Tree pada Klasifikasi Kategori Berita Media Online

Sakti, Rizki Dwijaya (2022) Implementasi Metode Gradient Boosting Decision Tree pada Klasifikasi Kategori Berita Media Online. Bachelor Thesis, Universitas Multimedia Nusantara.

	Text HALAMAN_AWAL.pdf Restricted to Registered users only Available under License Creative Commons Attribution Non-commercial Share Alike. Download (1MB)
	Text DAFTAR_PUSTAKA.pdf Restricted to Registered users only Available under License Creative Commons Attribution Non-commercial Share Alike. Download (524kB)
Preview	Text BAB_I.pdf Available under License Creative Commons Attribution Non-commercial Share Alike. Download (409kB) | Preview
Preview	Text BAB_II.pdf Available under License Creative Commons Attribution Non-commercial Share Alike. Download (635kB) | Preview
	Text BAB_III.pdf Restricted to Registered users only Available under License Creative Commons Attribution Non-commercial Share Alike. Download (764kB)
	Text BAB_IV.pdf Restricted to Registered users only Available under License Creative Commons Attribution Non-commercial Share Alike. Download (1MB)
	Text BAB_V.pdf Restricted to Registered users only Available under License Creative Commons Attribution Non-commercial Share Alike. Download (388kB)
	Text LAMPIRAN.pdf Restricted to Registered users only Available under License Creative Commons Attribution Non-commercial Share Alike. Download (1MB)

Abstract

Perkembangan teknologi dan informasi yang tersebar di internet terus mengalami peningkatan. Bentuk informasi yang terus bertambah yaitu berita. Media Cetak dan media elektronik kini telah dikemas dalam bentuk digital, yang biasa dikenal dengan portal berita online atau media online. Pembagian artikel berita biasanya dilakukan secara manual. Maka, dibutuhkan algoritma untuk mengklasifikasi berita seccara otomatis. Berita yang diberikan terdiri atas kategori berita tentang Indonesia yaitu Gaya Hidup, Hiburan, dan Olahraga. Teknik Text Processing dipilih untuk melakukan penelitian ini. Text Processing adalah suatu teknik yang digunakan untuk mengolah data sehingga dapat digunakan untuk pemodelan klasifikasi. Penelitian ini dilakukan klasifikasi kategori dengan otomatis dengan algoritma Gradient Boosting Classifier. Gradient boosting mempunyai kemampuan untuk meningkatkan akurasi prediktif model. Penelitian ini mengimplementasikan TF-IDF sebagai ekstraksi fitur dengan menggunakan dua model yaitu analyzer character dan word. Penelitian ini berhasil mendapatkan paramter terbaik seperti learning rate, max depth, min samples split dan n estimators dengan strategi brute force parameter searching dan k-fold cross validation. Model menggunakan metode GridSearchCV untuk mendapatkan parameter terbaik. Model mendapatkan nilai akurasi terbaik dengan penilaian metrik F1-Score dengan pembagian Training Data dan Testing Data sebanyak 80:20, diperoleh performa F1-Score sebesar 93,4% untuk analyzer menggunakan character dan 93,5% untuk analyzer menggunakan word.

Item Type:	Thesis (Bachelor Thesis)
Creators:	Sakti, Rizki Dwijaya (00000014826)
Contributors:	Christian Young, Julio Suryadibrata, Alethea
Keywords:	Classification, Text Processing, Gradient Boosting, ngram range , TF-IDF, F1-Score vii Implementasi Metode Gradient Boosting Decision Tree Pada Klasifikasi Kategori Berita Media Online, Rizki Dwijaya Sakti, Universitas Multimedia Nusantara
Subjects:	000 Computer Science, Information and General Works > 000 Computer Science, Knowledge and Systems > 006 Special Computer Methods > 006.7 Multimedia Systems, Blogs, Social Media, Web Application Frameworks 000 Computer Science, Information and General Works > 070 News Media, Journalism and Publishing > 070 News, mass media, journalism, and publishing
Sustainable Development Goals:	Goal 04. Ensure inclusive and equitable quality education and promote lifelong learning Goal 09. Build resilient infrastructure, promote inclusive and sustainable industrialization and foster innovation
Divisions:	Faculty of Engineering & Informatics > Informatics
Date Deposited:	17 Nov 2022 08:56
URI:	https://kc.umn.ac.id/id/eprint/19876

Actions (login required)

View Item