KLASIFIKASI GENRE LINE WEBTOON MENGGUNAKAN K-NEAREST NEIGHBOR BERBASIS PARTICLE SWARM OPTIMIZATION BERDASARKAN RINGKASAN CERITA

Siti Nur Khaizah, Universitas Negeri Yogyakarta, Indonesia
Bambang Sumarno Hadi Marwoto, Universitas Negeri Yogyakarta, Indonesia

Abstract


Penelitian ini bertujuan untuk membangun model pengklasifikasian genre Webtoon berdasarkan ringkasan cerita. Dari model yang dihasilkan, akan dieksplorasi proses seleksi fitur pada perbaikan algoritma klasifikasi yang dilihat melalui nilai akurasi dan waktu komputasi. Algoritma klasifikasi yang digunakan adalah K-Nearest Neighbors (KNN) serta algoritma yang digunakan untuk seleksi fitur adalah Particle Swarm Optimization (PSO). Proses ini diawali dengan pemilihan data dan preprocessing yang terdiri dari cleaning, filtering, lemmatization dan stemming, serta tokenizing. Kemudian, diikuti proses transformation dan seleksi fitur dengan package Pyswarm. Fitur terpilih kemudian digunakan pada proses data mining yaitu klasifikasi. selanjutnya hasil dievaluasi dan diinterpretasi. Hasil penelitian menunjukkan bahwa algoritma PSO-KNN terbukti lebih baik daripada algoritma KNN dalam mengklasifikasi genre Webtoon. Diperoleh nilai akurasi dari klasifikasi dengan algoritma KNN yaitu sebesar 88% sedangkan dengan algoritma PSO-KNN diperoleh nilai akurasi sebesar 100%. Selain itu waktu komputasi yang digunakan oleh algoritma PSO-KNN dalam mengkasifikasi terbukti lebih singkat dari algoritma KNN.

Kata kunci: Text mining, K-Nearest Neighbors, Particle Swarm Optimization, Seleksi Fitur.


References


Adiwijaya, I. (2006). Text Mining dan Knowledge Discovery. Kolokium Bersama Komunitas Datamining Indonesia & Soft-Computing Indonesia, 1–9. http://web.ipb.ac.id/~ir-lab/pdf/tm (text summarization).pdf

Arifin, T. (2017). Implementasi Algoritma PSO Dan Teknik Bagging Untuk Klasifikasi Sel Pap Smear. 4(2), 155–162.

Chandler, D. (2004). An Introduction to Genre Theory. Http://Www.Aber.Ac.Uk/Media/Documents/Intgenre/Chandler_genre_theory.Pdf, 1–15. papers2://publication/uuid/84DD8640-73B4-4264-A37E-52AE23DED1D8

Chantar, H. K., & Corne, D. W. (2011). Feature subset selection for Arabic document categorization using BPSO-KNN. Proceedings of the 2011 3rd World Congress on Nature and Biologically Inspired Computing, NaBIC 2011, 546–551. https://doi.org/10.1109/NaBIC.2011.6089647

Jin, D. Y. (2015). Digital convergence of Korea’s webtoons: transmedia storytelling. Communication Research and Practice, 1(3), 193–209. https://doi.org/10.1080/22041451.2015.1079150

Kowsari, K., Meimandi, K. J., Heidarysafa, M., Mendu, S., Barnes, L., & Brown, D. (2019). Text classification algorithms: A survey. Information (Switzerland), 10(4), 1–68. https://doi.org/10.3390/info10040150

Lestari, A. F., & Irwansyah. (2020). Line Webtoon Sebagai Industri Komik Digital. Jurnal Ilmu Komunikasi, 6(2), 134–148. http://180.250.41.45/jsource/article/view/1609/1726

Muslimah, N., & Wihandika, R. C. (2019). Klasifikasi Film Berdasarkan Sinopsis dengan Menggunakan Improved K-Nearest Neighbor ( K-NN ). 3(1), 196–204.

Primartha, R. (2018). Belajar Machine Learning Teori dan Praktik. Informatika Bandung.

Purwaningsih, N. S. (2017). Analisis genre dalam karya Pramoedya Ananta Toer periode 1950-an. 5, 1–17.

Ramadhan, G. S., Irawan, B., Setianingsih, C., & Telkom, U. (2021). Klasifikasi emosi pada lirik lagu menngunakan algoritma naïve bayes dan particle swarm optimization classification of emotions on song lyrics using naïve bayes algorithm and particle swarm optimization. 8(5), 6293–6306.

Rizky, M. Y., & Stellarosa, Y. (2017). PREFERENSI PENONTON TERHADAP FILM INDONESIA. 15–34.

Saputra, A. C., Sitepu, A. B., Stanley, P, Y. S. P. W., Tetuko, P. G. S., & Nugroho, G. C. (2019). The Classification of the Movie Genre based on Synopsis of the Indonesian Film. 2019 International Conference of Artificial Intelligence and Information Technology (ICAIIT), 201–204.


Refbacks

  • There are currently no refbacks.


 

Online ISSN (e-ISSN): 3031-1152

Creative Commons LicenseJurnal Kajian dan Terapan Matematika by https://journal.student.uny.ac.id/index.php/jktm/index is licensed under a Creative Commons Attribution-ShareAlike 4.0 International License.