Text Mining untuk Pengelompokan Skripsi di Prodi Pendidikan Informatika Universitas Trunojoyo Madura

Laili Cahyani; Muchamad Arif

doi:10.21107/edutic.v8i2.13020

Text Mining untuk Pengelompokan Skripsi di Prodi Pendidikan Informatika Universitas Trunojoyo Madura

Laili Cahyani, Muchamad Arif

Abstract

Skripsi merupakan karya tulis ilmiah mahasiswa sebagai syarat kelulusan atau perolehan gelar sarjana. Meskipun demikian, dosen juga berperan aktif dalam mengarahkan penentuan topik skripsi sebagai pembimbing. Skripsi yang ideal mengacu pada topik – topik yang up to date. Hendaknya skripsi juga mendukung keberhasilan rencana induk penelitian (RIP) Universitas bahkan rencana induk riset nasional (RIRN). Selain itu, topik skripsi harus selaras dengan bidang minat sesuai kurikulum program studi. Untuk itu, perlu adanya penyelarasan antara kondisi universitas, kebutuhan masyarakat, dan tujuan nasional. Sehingga, analisis data skripsi diperlukan untuk tujuan tersebut. Selama ini data dokumen skripsi di Program Studi Pendidikan Informatika Universitas Trunojoyo Madura belum terorganisir dengan baik di lingkup Program Studi. Sedangkan, jumlah data terus meningkat. Hal itu menjadi tantangan dalam pencarian dan penentuan topik skripsi sebagai bahan referensi selanjutnya. Selain itu, hingga saat ini belum dilakukan analisis terkait berkembangan skripsi yang sudah ada. Belum dilakukan juga pemetaan atau pengelompokan skripsi. Sehingga, dapat memberikan peluang adanya kemiripan skripsi. Oleh karena itu, dikembangkan sistem pengelompokan skripsi menggunakan text mining (studi kasus Program Studi Pendidikan Informatika Universitas Trunojoyo Madura). Dengan adanya sistem tersebut, diharapkan dapat membantu manajemen pengelolahan data skripsi bagi bidang skripsi di Program Studi. Sehingga dapat membantu dalam penentuan kebijakan dosen pembimbing dan meminimalisir peluang adanya kemiripan topic skripsi. Hasil penelitian ini menunjukkan bahwa metode clustering menggunakan K-Means dapat melakukan pengelompokan topic skripsi secara optimal dengan nilai akurasi sebesar 0,972972973, nilai presisi sebesar 916666667, nilai recall sebesar 0,9849199722, dan F-Measure sebesar 0,949199722 dalam skala 0 – 1.

Full Text:

PDF

References

Aditya, D. L., & Fitrianah, D. (2021). Comparative Study of Fuzzy C-Means and K-Means Algorithm for Grouping Customer Potential in Brand Limback. Jurnal Riset Informatika, 3(4), 327–334. https://doi.org/10.34288/jri.v3i4.241

Allahyari, M., Pouriyeh, S., Assefi, M., Safaei, S., Trippe, E. D., Gutierrez, J. B., & Kochut, K. (2017). A Brief Survey of Text Mining: Classification, Clustering and Extraction Techniques. ArXiv.

Februariyanti, H., & Santoso, D. B. (2017). Hierarchical Agglomerative Clustering untuk Pengelompokan Skripsi Mahasiswa. Prosiding SINTAK, 33–40.

Husni, Negara, Y. D. P., & Syarief, M. (2015). Clusterisasi Dokumen Web ( Berita ) Bahasa Indonesia Menggunakan Algoritma K-Means (Clustering Web Documents (News) Indonesian Language Using K-Means Algorithm). Jurnal Simantec, 4(3), 159–166.

Mustikasari, D. (2017). Analisis Tema Skripsi Mahasiswa Menggunakan Document Clustering Dengan Algoritma Lingo. Kinetik, 2(2), 131–140. https://doi.org/10.22219/kinetik.v2i2.180

Rahmawati, L., Widya Sihwi, S., & Suryani, E. (2016). Analisa Clustering Menggunakan Metode K-Means Dan Hierarchical Clustering (Studi Kasus : Dokumen Skripsi Jurusan Kimia, Fmipa, Universitas Sebelas Maret). Jurnal Teknologi & Informasi ITSmart, 3(2), 66. https://doi.org/10.20961/its.v3i2.654

Salloum, S. A., Al-Emran, M., Monem, A. A., & Shaalan, K. (2018). Using text mining techniques for extracting information from research articles. Studies in Computational Intelligence, 740, 373–397. https://doi.org/10.1007/978-3-319-67056-0_18

Shanie, T., Suprijadi, J., & Zulhanif. (2017). Text grouping in patent analysis using adaptive K-means clustering algorithm. AIP Conference Proceedings, 1827, 1–9. https://doi.org/10.1063/1.4979457

Wahyuni, E. D., Arifiyanti, A. A., & Afandi, M. I. (2020). Klasifikasi Teks Dengan Python. Indomedia Pustaka.

DOI: https://doi.org/10.21107/edutic.v8i2.13020