@prefix bibo: .
@prefix rdfs: .
@prefix dct: .
@prefix skos: .
@prefix void: .
@prefix xsd: .
@prefix epid: .
@prefix ep: .
@prefix owl: .
@prefix foaf: .
@prefix cc: .
@prefix rdf: .
@prefix event: .
@prefix eprel: .
@prefix geo: .
@prefix dc: .
<>
foaf:primaryTopic ;
rdfs:comment "The repository administrator has not yet configured an RDF license."^^xsd:string .
dct:hasPart ;
ep:hasFile ;
rdf:type bibo:Document,
ep:Document;
rdfs:label "ANALISIS KINERJA MODEL SUPPORT VECTOR MACHINE\r\nDAN K-NEAREST NEIGHBORS DENGAN EKSTRAKSI\r\nFITUR WINNOWING PADA SISTEM AUTOMATED ESSAY\r\nSCORING (Text)"^^xsd:string .
rdf:_1 .
<> ;
bibo:abstract "Penelitian ini berjudul “Analisis Kinerja Model Support Vector Machine \r\nDan K-Nearest Neighbors Dengan Ekstraksi Fitur Winnowing Pada Sistem\r\nPenilaian Esai Otomatis” yang bertujuan untuk mengukur dan membandingkan\r\nperforma kombinasi metode ekstraksi fitur Winnowing dengan algoritma\r\nklasifikasi Support Vector Machine (SVM) dan K-Nearest Neighbors (KNN) dalam\r\npenilaian esai otomatis berbasis teks. Penelitian ini menggunakan pendekatan\r\nkuantitatif dengan jenis penelitian eksperimental. Dataset yang digunakan adalah\r\nAutomated Student Assessment Prize (ASAP) Automated Essay Scoring (AES)\r\ndari Kaggle yang terdiri atas 12.976 jawaban tertulis siswa berbahasa Inggris\r\nterhadap prompt ujian, yang dalam konteks sistem pendidikan Amerika Serikat\r\ndisebut sebagai essay. Tahapan penelitian meliputi preprocessing teks\r\n(pembersihan, tokenisasi, dan stemming), ekstraksi fitur menggunakan Winnowing\r\ndengan teknik k-gram dan fingerprinting, serta klasifikasi menggunakan algoritma\r\nSVM dan KNN. Analisis kinerja dilakukan berdasarkan metrik akurasi, presisi,\r\nrecall, F1-Score, dan waktu komputasi.\r\nHasil penelitian menunjukkan bahwa kombinasi SVM dengan fitur hasil\r\nekstraksi Winnowing menghasilkan performa yang lebih baik dibandingkan KNN\r\ndengan fitur hasil ekstraksi Winnowing, dengan akurasi sebesar 87,6%, F1-Score\r\n0,868, dan precision 0,891. Meskipun SVM memerlukan waktu komputasi lebih\r\nlama (5,18 detik) dibandingkan KNN (0,07 detik), model SVM terbukti lebih akurat\r\ndan stabil dalam mengklasifikasikan skor esai.\r\nKesimpulannya, algoritma SVM lebih direkomendasikan untuk sistem\r\npenilaian esai otomatis yang mengutamakan akurasi, sementara KNN cocok untuk\r\naplikasi yang membutuhkan efisiensi waktu. Penelitian selanjutnya disarankan\r\nuntuk mengeksplorasi metode ekstraksi fitur lain dan optimasi parameter model\r\nguna meningkatkan performa sistem secara keseluruhan."^^xsd:string;
bibo:authorList ;
bibo:status ;
dc:hasVersion ;
dct:creator ,
;
dct:date "2026-02-03";
dct:isPartOf ;
dct:issuer ,
;
dct:subject ,
;
dct:title "ANALISIS KINERJA MODEL SUPPORT VECTOR MACHINE\r\nDAN K-NEAREST NEIGHBORS DENGAN EKSTRAKSI\r\nFITUR WINNOWING PADA SISTEM AUTOMATED ESSAY\r\nSCORING"^^xsd:string;
ep:hasDocument ;
ep:hasPublished ;
rdf:type bibo:Article,
bibo:Thesis,
ep:EPrint,
ep:ThesisEPrint;
rdfs:seeAlso .
rdf:type skos:Concept;
skos:prefLabel "000 Ilmu komputer, informasi dan pekerjaan umum"@en .
rdf:type skos:Concept;
skos:prefLabel "003 Sistem-sistem"@en .
rdfs:label "22.55.2296 - Muhammad Fahmi Luthfi.pdf"^^xsd:string .
dc:format "text/html";
dc:title "HTML Summary of #31798 \n\nANALISIS KINERJA MODEL SUPPORT VECTOR MACHINE
\nDAN K-NEAREST NEIGHBORS DENGAN EKSTRAKSI
\nFITUR WINNOWING PADA SISTEM AUTOMATED ESSAY
\nSCORING\n\n";
foaf:primaryTopic .
dct:isPartOf ;
foaf:name "Pascasarjana Magister Informatika, Universitas AMIKOM Yogyakarta"^^xsd:string;
rdf:type foaf:Organization .
dct:hasPart ;
foaf:name "Universitas AMIKOM Yogyakarta"^^xsd:string;
rdf:type foaf:Organization .
foaf:familyName "Luthfi"^^xsd:string;
foaf:givenName "Muhammad Fahmi"^^xsd:string;
foaf:name "Muhammad Fahmi Luthfi"^^xsd:string;
rdf:type foaf:Person .
foaf:familyName "-"^^xsd:string;
foaf:givenName "Kusrini"^^xsd:string;
foaf:name "Kusrini -"^^xsd:string;
rdf:type foaf:Person .