IMPLEMENTASI ALGORITMA K-MEANS UNTUK MELAKUKAN KLASTERISASI PADA KELUHAN MASYARAKAT (Implementation of the K-Means Algorithm to Clustering Public Complaints)

MAHRIBI, MUHHAMAD TOVA (2023) IMPLEMENTASI ALGORITMA K-MEANS UNTUK MELAKUKAN KLASTERISASI PADA KELUHAN MASYARAKAT (Implementation of the K-Means Algorithm to Clustering Public Complaints). Strata 1 thesis, Universitas Teknokrat Indonesia.

	Text (Full Skripsi) skripsi18312030.pdf - Published Version Download (1MB)
	Text (Abstrak) abstrak18312030.pdf - Published Version Download (259kB)
	Text (Bab I Pendahuluan) b118312030.pdf - Published Version Download (98kB)
	Text (Bab II Landasan Teori) b218312030.pdf - Published Version Download (334kB)
	Text (Daftar Pustaka) daftar_pustaka18312030.pdf - Bibliography Download (395kB)

Abstract

Revolusi industri 4.0 memberikan dampak yang signifikan terhadap kehidupan masyarakat sehari-hari, dengan digitalisasi sebagai penggerak utamanya. Era ini ditandai dengan pesatnya perkembangan teknologi dan informasi, menjadikan konektivitas perangkat serta digitalisasi layanan menjadi bagian tak terpisahkan dalam kehidupan. khususnya menggunakan algoritma K-Means, diaplikasikan untuk mengelompokkan keluhan masyarakat (Rizki M, 2021) menjadi berbagai kategori yang telah ditentukan sebelumnya .permasalahan yang diangkat bagaimana membangun suatu model klasterisasi menggunakan motode K-Means untuk melakukan klasterisasi teks aduan. Metode Penelitian ini menggunakan metode Intrinsic evaluation dengan menggabungkan metode recall(R), precision (P), dan F-Measure pada ringkasan manual diilustrasikan dengan huruf T dengan hasil ringkasan yang dibuat oleh mesin diilustrasikan dengan huruf S Dalam uji K-Means terhadap data “Keluhan Masyarakat” yang dipublikasikan mulai 14 Februari 2018 hingga 20 Februari 2019, berbagai ukuran digunakan untuk menilai kualitas analisis. Metrik ini mencakup inersia, Silhouettle Score, akurasi, Recall, dan F Measure.Metrik inersia digunakan untuk menentukan jarak antara titik-titik dalam cluster dan pusat cluster. Selain itu, metrik Skor Silhouette mengukur kualitas setiap titik data dalam suatu klaster dibandingkan dengan klaster lainnya. Nilai Silhouette Score yang mendekati 0 menunjukkan tumpang tindih antar kelompok kluster, sedangkan nilai yang mendekati 1 menunjukkan pemisahan antar klaim yang baik. Hasilnya menunjukkan bahwa K-Means clustering menghasilkan nilai akurasi, recall dan F-measure sebesar 100%, menunjukkan akurasi yang sangat tinggi dalam mengidentifikasi dan mengklasifikasikan keluhan berdasarkan karakteristiknya.klaster K-Means mempunyai kinerja yang sangat baik dalam mengklasifikasikan pengaduan masyarakat, sehingga menghasilkan klaster yang berkualitas tinggi dalam hal keterpisahan dan akurasi.

Item Type:	Thesis (Strata 1)
Uncontrolled Keywords:	Klasterisasi, Algoritma K-Means, Keluhan masyarakat
Subjects:	INFORMATIKA > TJ Mechanical engineering and machinery
Divisions:	Fakultas Teknik dan Ilmu Komputer > S1 Informatika
Depositing User:	Asep Haikal Kurniawan S.IP., M.A
Date Deposited:	30 Nov 2023 07:35
Last Modified:	30 Nov 2023 07:35
URI:	http://repository.teknokrat.ac.id/id/eprint/5249

Actions (login required)

View Item