Sistem Klasifikasi Fungsi Gadget Menggunakan Metode K-Nearest Neighbour Berbasis Analisis Sentimen
Tahun 2025 · Penulis: Mochammad Hardhani
Faculty of Computer Science, Universitas Jember
Abstrak
Teks yang dipakai untuk pengindeksan BM25 dan IndoSBERT
Berbagai perusahaan pengembang teknologi gadget menciptakan bermacammacam seri gadget dengan fitur yang berbeda-beda. Masyarakat sebagai pembeli tidak akan mudah untuk memutuskan gadget mana yang sesuai dengan kebutuhan masing-masing, terlebih dengan adanya persaingan harga yang kompetitif. Tujuan penelitian ini adalah untuk membuat sistem klasifikasi yang dapat membaca data komentar dinamis di YouTube serta melakukan proses klasifikasi secara otomatis dengan mengelompokkan gadget berdasarkan fungsinya. Metode klasifikasi yang digunakan yaitu K-Nearest Neighbour (KNN) dan metode pembobotan kata menggunakan Term Frequency Relevance Frequency (TF-RF). Berdasarkan hasil klasifikasi didapatkan akurasi model sebesar 91% untuk klasifikasi fungsi dan 90% untuk klasifikasi sentimen.
Dokumen Serupa
Berdasarkan kemiripan vektor embedding IndoSBERT (cosine similarity).
- Cosine 0,725
Tahun 2024 · Penulis: Ahmad Iqbal Muzaki
Sistem Pendukung Keputusan Pemilihan Smartphone Berdasarkan Multi Kriteria Menggunakan Fuzzy Topsis
Smartphone merupakan perangkat komunikasi yang dikombinasikan dengan penunjang kebutuhan digital dan beberapa fitur multimedia. Industri smartphone terus berkembang dengan pesat, pasar smartphone menawarkan berbagai pilihan produk dari berbagai merek dan model
- Cosine 0,702
Tahun 2025 · Penulis: Dinda Ayu Adiningsih
Prediksi Harga Laptop Berdasarkan Spesifikasi Hardware Menggunakan Metode Multiple Linear Regression
Permasalahan dalam menentukan harga laptop yang sesuai dengan spesifikasi hardware masih menjadi tantangan bagi konsumen, terutama karena keterbatasan informasi yang tersedia secara terbuka. Penelitian ini bertujuan untuk membangun model prediksi harga laptop
- Cosine 0,694
Tahun 2026 · Penulis: Tantra Wahyudi
Implementasi Sistem Deteksi Sentimen Berbasis Aspek untuk Ulasan Smartphone Menggunakan Metode Support Vector Machine (Studi kasus: iPhone 17 Pro)
Pengguna internet Indonesia telah menghasilkan jutaan ulasan smartphone di YouTube, yang sebagian besar ditulis dalam bahasa informal yang sangat tinggi yang berisi singkatan, typos, dan sarkasme, membuat analisis otomatis sangat menantang sistem konvensional.