Klasifikasi Genre Buku Berbasis Judul dan Sinopsis Menggunakan Metode Support Vector Machine

Ni Wayan Emmy Rosiana Dewi, I Made Suwija Putra, Dwi Putra Githa

Abstract

Tantangan besar dalam manajemen perpustakaan tradisional adalah menciptakan metode untuk mengkategorikan buku sesuai dengan genrenya. Penelitian ini mengusulkan penggunaan metode Support Vector Machine (SVM) untuk mengklasifikasikan buku berdasarkan judul dan sinopsisnya. Dataset penelitian ini diambil dari CMU Book Summary Dataset, yang mencakup berbagai genre buku. Hasil penelitian menunjukkan bahwa metode SVM dengan kernel linier melakukan tugas klasifikasi genre buku dengan lebih baik dibandingkan metode K-Nearest Neighbors (K-NN), serta preprocessing teks dan ekstraksi fitur menggunakan Term Frequency-Inverse Document Frequency (TF-IDF). Akurasi tertinggi SVM adalah 47,7% dalam skenario 90 persen data pelatihan dan 10 persen data pengujian, sedangkan K-NN hanya memiliki 31,53% dalam skenario 80 persen dan 20 persen data pelatihan dan pengujian. Hasil menunjukkan bahwa SVM lebih baik daripada K-NN dalam menangani klasifikasi teks berdasarkan judul dan sinopsis. Namun, untuk validasi lebih lanjut, penelitian lebih lanjut diperlukan dengan dataset yang lebih besar dan dalam berbagai bahasa.

Full Text:

PDF

References

Amalia, D. H., & Yustanti, W. (2021). Klasifikasi Buku Menggunakan Metode Support Vector Machine pada Digital Library. Journal of Informatics and Computer Science (JINACS), 3(01). https://doi.org/10.26740/jinacs.v3n01.p55-61

Bamman, D., & Smith, N. A. (2013). New Alignment Methods for Discriminative Book Summarization. http://arxiv.org/abs/1305.1319

Bernardes, R. (2024). Machine learning ‐ Basic principles. Acta Ophthalmologica, 102(S279). https://doi.org/10.1111/aos.16281

Boateng, E. Y., Otoo, J., & Abaye, D. A. (2020). Basic Tenets of Classification Algorithms K-Nearest-Neighbor, Support Vector Machine, Random Forest and Neural Network: A Review. Journal of Data Analysis and Information Processing, 08(04). https://doi.org/10.4236/jdaip.2020.84020

Cahyani, S. N., & Saraswati, G. W. (2023). Implementation of Support Vector Machine Method in Classifying School Library Books with Combination of TF-IDF and Word2VEC. Jurnal Teknik Informatika (Jutif), 4(6). https://doi.org/10.52436/1.jutif.2023.4.6.1536

Cervantes, J., Garcia-Lamont, F., Rodríguez-Mazahua, L., & Lopez, A. (2020). A comprehensive survey on support vector machine classification: Applications, challenges and trends. Neurocomputing, 408, 189–215. https://doi.org/10.1016/j.neucom.2019.10.118

Daniel, J., & Martin, J. H. (2023). Chapter 5 - Speech and Language Processing. Speech and Language Processing.

Deng, N., Tian, Y., & Zhang, C. (2012). Support vector machines: Optimization based theory, algorithms, and extensions. In Support Vector Machines: Optimization Based Theory, Algorithms, and Extensions. https://doi.org/10.1201/b14297

Injadat, M. N., Moubayed, A., Nassif, A. B., & Shami, A. (2021). Machine learning towards intelligent systems: applications, challenges, and opportunities. Artificial Intelligence Review, 54(5). https://doi.org/10.1007/s10462-020-09948-w

Jalilifard, A., Caridá, V. F., Mansano, A. F., Cristo, R. S., & da Fonseca, F. P. C. (2021). Semantic Sensitive TF-IDF to Determine Word Relevance in Documents. Lecture Notes in Electrical Engineering, 736 LNEE. https://doi.org/10.1007/978-981-33-6987-0_27

Leli, N., Rakhmawati, F., & Widyasari, R. (2023). Penerapan Metode Support Vector Machine (SVM) untuk Klasifikasi Uang Kuliah Tunggal di Universitas Islam Negeri Sumatera. Jurnal Lebesgue : Jurnal Ilmiah Pendidikan Matematika, Matematika Dan Statistika, 4(2). https://doi.org/10.46306/lb.v4i2.354

Monika, I. P., & Furqon, M. T. (2018). Penerapan Metode Support Vector Machine (SVM) Pada Klasifikasi Penyimpangan Tumbuh Kembang Anak. Jurnal Pengembangan Teknologi Informasi Dan Ilmu Komputer, 2(10).

Nguyen, T. T. S., & Do, P. M. T. (2020). Classification optimization for training a large dataset with Naïve Bayes. Journal of Combinatorial Optimization, 40(1). https://doi.org/10.1007/s10878-020-00578-0

Sanderson, M. (2010). Christopher D. Manning, Prabhakar Raghavan, Hinrich Schütze, Introduction to Information Retrieval, Cambridge University Press. 2008. ISBN-13 978-0-521-86571-5, xxi + 482 pages. Natural Language Engineering, 16(1). https://doi.org/10.1017/s1351324909005129

Sulistilawati, I., Musyafa, A., Zain, R. M., Informatika, T., Pamulang, U., & Selatan, T. (2024). Penerapan Data Mining Dalam Menentukan Pelajaran yang Diminati Dengan Metode Support Vector Mechine (SVM) (Vol. 2, Issue 1).

Wang, Q. (2022). Support Vector Machine Algorithm in Machine Learning. 2022 IEEE International Conference on Artificial Intelligence and Computer Applications, ICAICA 2022. https://doi.org/10.1109/ICAICA54878.2022.9844516

Winiarti, S., Widayanti, D., Ahdiani, U., & Ismail, T. (2022). Klasifikasi Jenis Buku Berdasarkan Cover dan Judul Buku Menggunakan Metode Support Vector Machine dan Cosine Similarity. Sainteks, 19(1). https://doi.org/10.30595/sainteks.v19i1.13423

DOI: https://doi.org/10.31284/j.integer.2024.v10i1.7562

Refbacks

  • There are currently no refbacks.