Logo UNTAN Universitas
Tanjungpura
Pontianak

Perbandingan Metode Support Vector Machine dan Logistic Regression untuk Klasifikasi Kategori Tugas Akhir : Studi Kasus Prodi Sistem Informasi Untan

Dimas, Aqil Salsabil (2026) Perbandingan Metode Support Vector Machine dan Logistic Regression untuk Klasifikasi Kategori Tugas Akhir : Studi Kasus Prodi Sistem Informasi Untan. Skripsi thesis, Universitas Tanjungpura.

[img] PDF (Cover-Bab1)
Cover-Bab1_H1101221057.pdf - Published Version

Download (404kB)
[img] PDF (H1101221057_DIMAS_AQIL_SALSABIL)
H1101221057_DIMAS_AQIL_SALSABIL.pdf - Accepted Version
Restricted to Repository staff only

Download (1MB)

Abstract

Program Studi Sistem Informasi Universitas Tanjungpura menghasilkan dokumen tugas akhir setiap tahunnya yang berasal dari berbagai bidang peminatan dengan karakteristik penelitian yang beragam. Informasi mengenai bidang peminatan tersebut tercermin pada judul dan abstrak, namun belum tersedia model klasifikasi yang mampu mengklasifikasikan dokumen tugas akhir ke dalam kategori bidang peminatan secara otomatis. Kondisi tersebut mendorong perlunya pendekatan klasifikasi teks berbasis machine learning untuk membantu menentukan kategori bidang peminatan secara lebih efisien dan konsisten.. Support Vector Machine (SVM) dan Logistic Regression merupakan dua algoritma yang umum digunakan dalam klasifikasi teks, namun performa keduanya tidak dapat digeneralisasikan pada setiap kasus karena dipengaruhi oleh karakteristik dataset, representasi fitur, dan distribusi kelas. Oleh karena itu, penelitian ini bertujuan membandingkan performa Support Vector Machine (SVM) dan Logistic Regression dalam mengklasifikasikan kategori bidang peminatan tugas akhir menggunakan data judul dan abstrak mahasiswa Program Studi Sistem Informasi Universitas Tanjungpura. Tahapan penelitian meliputi pengumpulan data, pelabelan kategori bidang peminatan, preprocessing teks, pembobotan Term Frequency–Inverse Document Frequency (TF-IDF), pelatihan model, serta evaluasi model menggunakan metrik accuracy, precision, recall, dan F1-score. Berdasarkan hasil evaluasi akhir menggunakan pembagian data train-test split rasio 70:30, kedua model tersebut terbukti menghasilkan tingkat keberhasilan yang identik. Keduanya sama-sama memperoleh accuracy sebesar 93,02%, precision sebesar 93,36%, recall sebesar 93,02%, dan F1-score sebesar 92,47%. Berdasarkan hasil evaluasi tersebut, model Support Vector Machine maupun Logistic Regression menunjukkan tingkat yang setara dan baik pada dataset yang digunakan. Hasil penelitian ini diharapkan dapat menjadi referensi dalam pemilihan metode klasifikasi kategori tugas akhir pada Program Studi Sistem Informasi Universitas Tanjungpura.

Item Type: Thesis (Skripsi)
Creators:
CreatorsNomor Induk Mahasiswa (NIM)Email
Dimas, Aqil SalsabilNIMH1101221057UNSPECIFIED
Subjects: 000 - Komputer, Informasi dan Referensi Umum > 000 Ilmu komputer, ilmu pengetahuan dan sistem-sistem > 005 Pemrograman komputer, program dan data
Divisions: Fakultas Matematika dan Ilmu Pengetahuan Alam > Sistem Informasi S1
SWORD Depositor: Sri Yulihartini
Depositing User: Sri Yulihartini
Date Deposited: 23 Oct 2026 03:54
Last Modified: 23 Oct 2026 03:54
URI: https://repository.untan.ac.id/id/eprint/9559

Actions (login required)

View Item View Item