KLASIFIKASI ARTIKEL PENELITIAN DENGAN MENGGUNAKAN ALGORITMA RANDOM FOREST BERBASIS WEB

Ahludzikri, Fiqqi and Herwanto, Riko (2025) KLASIFIKASI ARTIKEL PENELITIAN DENGAN MENGGUNAKAN ALGORITMA RANDOM FOREST BERBASIS WEB. Skripsi thesis, Institut Informatika dan Bisnis Darmajaya.

	Text Cover.pdf Download (143kB)
	Text PERNYATAAN.pdf Download (71kB)
	Text HALAMAN PENGESAHAN.pdf Download (151kB)
	Text HALAMAN PERSETUJUAN.pdf Download (171kB)
	Text HALAMAN PERSEMBAHAN.pdf Download (117kB)
	Text HALAMAN MOTTO.pdf Download (116kB)
	Text ABSTRAK.pdf Download (140kB)
	Text DAFTAR ISI.pdf Download (197kB)
	Text BAB I.pdf Download (222kB)
	Text BAB II.pdf Download (313kB)
	Text BAB III.pdf Download (430kB)
	Text BAB IV.pdf Download (605kB)
	Text BAB V.pdf Download (172kB)
	Text DAFTAR PUSTAKA.pdf Download (185kB)
	Text LAMPIRAN.pdf Download (704kB)

Abstract

INTISARI KLASIFIKASI ARTIKEL PENELITIAN DENGAN MENGGUNAKAN ALGORITMA RANDOM FOREST BERBASIS WEB Publikasi ilmiah esensial bagi kemajuan pengetahuan, namun seringkali terkendala oleh ketidaksesuaian topik artikel dengan ruang lingkup jurnal yang dituju, memperlambat proses penerbitan. Untuk mengatasi masalah ini, penelitian ini mengembangkan sistem klasifikasi artikel berbasis web menggunakan algoritma Random Forest. Sistem ini bertujuan membantu penerbit jurnal mengelompokkan artikel secara otomatis berdasarkan judul dan abstrak, sehingga meningkatkan efisiensi seleksi artikel. Metodologi penelitian menerapkan model System Development Life Cycle (SDLC) Waterfall, meliputi analisis, desain, implementasi, pengujian, dan pemeliharaan. Dataset yang digunakan berjumlah 560 artikel dari tahun 2019 sampai tahun 2024, terdistribusi merata ke dalam empat kategori utama: Manajemen Sumber Daya Manusia dan Kepemimpinan, Keuangan dan Perusahaan, Pemberdayaan Masyarakat dan Bisnis, serta Pendidikan dan Pembelajaran. Teks diproses melalui case folding, penghapusan karakter non-alfabet, tokenizing, stopword removal, dan stemming, dengan ekstraksi fitur menggunakan TF-IDF (max_features=500). Model Random Forest dilatih dengan 80% data latih dan 20% data uji, menggunakan random_state=42 untuk reproduktifitas. Hasil menunjukkan akurasi model 91% , dengan precision dan recall tinggi di setiap kategori, diintegrasikan ke dalam sistem web untuk klasifikasi dan rekomendasi jurnal instan. Kata Kunci: SDLC, Klasifikasi, Random Forest, Machine Learning, TF-IDF

Item Type:	Thesis (Skripsi)
Subjects:	Ilmu Komputer eSkripsi
Divisions:	Skripsi/TA & PKPM/KP - Fakultas Ilmu Komputer > Teknik Informatika
Depositing User:	Fiqqi Ahludzikri
Date Deposited:	26 Sep 2025 00:53
Last Modified:	26 Sep 2025 00:53
URI:	http://repo.darmajaya.ac.id/id/eprint/22861

Actions (login required)

View Item