%0 Thesis
%9 Skripsi
%A Diniati Ruaika, 15650011
%B FAKULTAS SAINS DAN TEKNOLOGI
%D 2019
%F digilib:40461
%I UIN Sunan Kalijaga
%K Kata kunci : K-Means Clustering, Naïve Bayes Classifier, silhouette coefficient  confusion matrix, Computing Curricula 2005
%P 112
%T K-MEANS CLUSTERING DAN NAÏVE BAYES CLASSIFIER  UNTUK KATEGORISASI DOKUMEN TUGAS AKHIR  (Studi Kasus : Skripsi S1 Teknik Informatika UIN Sunan Kalijaga  Yogyakarta)
%U https://digilib.uin-suka.ac.id/id/eprint/40461/
%X Dalam dunia teknologi informasi, banyak sekali topik yang dapat diangkat menjadi  tema skripsi. Sayangnya, tidak jarang mahasiswa mengambil tema skripsi yang sama  dengan tema skripsi mahasiswa angkatan sebelumnya. Karena memiliki kesamaan tema,  akhirnya muncullah judul-judul skripsi yang hampir mirip. Hal ini membuat penelitian di  kalangan mahasiswa tidak berkembang dengan cepat (Mustikasari, 2017). Oleh karena itu,  perlu adanya pengkategorisasian tema skripsi mahasiswa S1 Teknik Informatika UIN  Sunan Kalijaga secara otomatis untuk mengetahui hasil kemiripan dan keterkaitan antar  dokumen skripsi.  Pengkategorisasian dokumen tugas akhir mahasiswa S1 Teknik Informatika UIN  Sunan Kalijaga secara otomatis dilakukan dengan menggunakan 2 teknik yaitu clustering  dan classification . Metode clustering yang digunakan adalah K-Means Clustering yang  bertujuan untuk mencari jumlah cluster terbaik sedangkan metode classification  menggunakan metode Naïve Bayes Classifier yang bertujuan untuk mencari accuracy,  precision, dan recall terbaik. Pada classification dilakukan pelabelan manual yang  didasarkan pada ACM (Association for Computing Machinery) Computing Curricula  2005. Dokumen skripsi yang digunakan adalah intisari tugas akhir (skripsi) mahasiswa  Teknik Informatika UIN Sunan Kalijaga dari tahun 2010 sampai dengan 2018 sebanyak  493 data.  Berdasarkan penelitian yang telah dilakukan pada proses clustering dengan penentuan  jumlah cluster 2,3,4,5,6 dan 7 mendapatkan jumlah cluster terbaik yaitu sebanyak 3 cluster  dengan rata-rata silhouette coefficient sebesar 0.0663662495824928. Pada proses  classification dengan penentuan pembagian data antara data latih dan data uji yaitu 7:3 ,  8:2 dan 9:1 mengasilkan tingkat accuracy tertinggi dengan perbandingan 9:1 sebesar 78%,  precision 75% dan recall 78% menggunakan confusion matrix. Namun demikian,  prosentase yang dihasilkan belum bisa mencapai accuracy, precision, dan recall lebih dari  90%. Selain itu, perolehan prosentase terbaik tersebut hanya menggunakan data uji sebesar  10% dari keseluruhan data. Sehingga, penggunaan metode Naïve Bayes Classifier untuk  melakukan klasifikasi tugas akhir S1 Teknik Informatika UIN Sunan Kalijaga belum bisa  dikatakan baik dan optimal.  Kata kunci : K-Means Clustering, Naïve Bayes Classifier, silhouette coefficient  confusion matrix, Computing Curricula 2005
%Z Agung Fatwanto, Ph.D.,