IMPLEMENTASI METODE FITUR EKSTRAKSI DAN ALGORITMA SUPERVISED LEARNING DALAM MENGIDENTIFIKASI JENIS KELAMIN BERDASARKAN NAMA

Rizkiansyah, Muhammad (2022) IMPLEMENTASI METODE FITUR EKSTRAKSI DAN ALGORITMA SUPERVISED LEARNING DALAM MENGIDENTIFIKASI JENIS KELAMIN BERDASARKAN NAMA. Diploma thesis, Universitas Nasional.

	Text BAB 1.pdf Download (124kB)
	Text BAB 2.pdf Download (242kB)
	Text BAB 3.pdf Download (161kB)
	Text BAB 4.pdf Download (689kB)
	Text BAB 5.pdf Download (108kB)
	Text COVER.pdf Download (1MB)
	Text LAMPIRAN (Daftar Pustaka, Lembar Awal Turnitin).pdf Download (169kB)

Abstract

Pemegang data memiliki dokumen terkait data personal akan tetapi tidak adanya
variabel gender dalam dokumen tersebut. Dalam hal ini, memungkinkan pemilik
data mengklasifikasikan variabel gender berdasarkan nama yang ada secara
manual. Mengklasifikasikan dokumen secara manual dinilai tidak seefisien seperti
dulu, karena jumlah data yang semakin meningkat. Algoritma supervised learning
yang ada pada machine learning dapat berperan, sebagai cara alternatif dalam
pengklasifikasian dokumen. Penelitian ini dilakukan untuk mencari model yang
terbaik dalam mengidentifikasi jenis kelamin berdasarkan nama, yang
diimplementasikan ke dalam aplikasi prediksi berbasis web, dengan menggunakan
fitur ekstraksi countvectorizer dan pemanfaatan n-gram serta membandingkan
kedua algoritma supervised learning yaitu logistic regression dan multinomial
naive bayes. Hasil dari penelitian ini didapatkan model terbaik yaitu model logistic
regression pada rentan 2-12 gram dengan split data 80:20 yang memiliki tingkat
akurasi 94.76%, dan berdasarkan uji validasi model menggunakan confusion matrix
logistic regression memperoleh 0.95 f1-score pada semua labeling, beserta dari
hasil uji prediksi yang mendapatkan kesalahan prediksi tersedikit yaitu 28. Maka
dari itu model logistic regression dengan split data 80:20 yang akan diterapkan ke
dalam aplikasi prediksi berbasis web.

Kata Kunci: Identifikasi, Fitur Ekstraksi, Model Klasifikasi, Confusion Matrix, Aplikasi Prediksi.

Item Type:	Thesis (Diploma)
Subjects:	Q Science > Q Science (General) T Technology > T Technology (General)
Depositing User:	- Abdurrahman -
Date Deposited:	10 Jul 2023 01:55
Last Modified:	10 Jul 2023 01:55
URI:	https://repository.unas.ac.id/id/eprint/7510

Actions (login required)

View Item