Brahmantha, Gede Putra Aditya (2024) KLASIFIKASI GENRE ANIME BERDASARKAN SINOPSIS MENGGUNAKAN ALGORITMA K-NEAREST NEIGHBORS DAN NAIVE BAYES. S2 - Magister thesis, Universitas AMIKOM Yogyakarta.
![[img]](https://eprints.amikom.ac.id//style/images/fileicons/text.png) |
Text (THESIS)
22.55.1195 Gede Putra Aditya Brahmantha.pdf Download (4MB) |
Abstract
Anime adalah salah satu bentuk hiburan populer yang berupa animasi yang berasal dari Jepang, dengan popularitas anime, banyak streaming services yang menyediakan anime dalam konten layanan mereka. Anime memiliki sebuah cerita layaknya film dan memiliki banyak genre, Genre adalah istilah yang dipakai untuk mengelompokkan media ke dalam kategori-kategori yang memiliki ciri-ciri yang serupa. Saat ini, pengelompokkan genre anime masih dilakukan secara manual oleh penerbit dan perlu membaca seluruh sinopsis atau menonton anime tersebut, mengakibatkan investasi waktu yang signifikan. Untuk menyelesaikan masalah tersebut peneliti mengusulkan klasifikasi genre anime berdasarkan sinopsis menggunakan algoritma K-Nearest Neighbors dan Naive Bayes dan membandingkan kinerja algoritma tersebut beserta penggunaan kombinasi fitur yang berbeda. Dalam penelitian ini dilakukan klasifikasi genre anime berdasarkan sinopsis berbahasa Inggris. Klasifikasi genre dilakukan untuk mengelompokkan genre menjadi 4 jenis yaitu fantasy, mystery, romance dan sports. Setiap genre berisi 250 data sinopsis sehingga total dataset mencapai 1000 sinopsis. Dilakukan tahap preprocessing dan pembobotan TF-IDF serta seleksi fitur Mutual Information yang dilanjutkan ke tahap klasifikasi K-Nearest Neighbors dan Naive Bayes. Hasil terbaik didapatkan menggunakan algoritma Naive Bayes dengan menggunakan seluruh kombinasi fitur preprocessing tanpa melibatkan seleksi fitur mutual information dengan hasil nilai akurasi 78.0%, precision 78.087%, recall 78.0%, F1-score 77.902% menungguli hasil terbaik yang dihasilkan algoritma KNearest Neighbors dengan menggunakan seluruh kombinasi fitur preprocessing tanpa melibatkan seleksi fitur mutual information dengan hasil akurasi 78.0%, precision 78.087%, recall 78.0%, F1-score 77.902%. Hal ini membuktikan bahwa algoritma Naive Bayes memiliki kinerja yang lebih baik dari K-Nearest Neighbors dalam melakukan Klasifikasi genre anime berdasarkan sinopsis.
| Item Type: | Thesis (S2 - Magister) | |||
|---|---|---|---|---|
| Contributor: |
|
|||
| Uncontrolled Keywords: | Anime, Genre, Machine Learning, K-Nearest Neighbors, Klasifikasi | |||
| Subjects: | 000 - Komputer, Informasi dan Referensi Umum > 000 Ilmu komputer, ilmu pengetahuan dan sistem-sistem > 004 Pemrosesan data dan ilmu komputer 000 - Komputer, Informasi dan Referensi Umum > 000 Ilmu komputer, ilmu pengetahuan dan sistem-sistem > 005 Pemrograman komputer, program dan data 000 - Komputer, Informasi dan Referensi Umum > 000 Ilmu komputer, ilmu pengetahuan dan sistem-sistem > 006 Metode komputer khusus |
|||
| Divisions: | Pascasarjana Magister Informatika > PJJ Magister Informatika | |||
| Depositing User: | RC Universitas AMIKOM Yogyakarta | |||
| Date Deposited: | 21 Mar 2025 06:56 | |||
| Last Modified: | 21 Mar 2025 06:56 | |||
| URI: | http://eprints.amikom.ac.id/id/eprint/28996 |
Actions (login required)
 |
View Item |