Analisis Proses Reduksi Dimensi dengan Metode Frequent Itemset Mining pada Sistem Rekomendasi Referensi Karya Ilmiah

  • Dini Nurmalasari Politeknik Caltex Riau
  • Warnia Nengsih Politeknik Caltex Riau
Keywords: Frequent Itemset Mining, Publikasi Ilmiah, Reduksi Dimensi

Abstract

Salah satu tahapan dalam penelitian yang harus dilakukan adalah mencari referensi jurnal yang relevan dengan penelitian yang akan dikerjakan. Dalam melakukan pencarian referensi, biasanya peneliti memasukan kata kunci atau keyword yang sesuai dengan tema yang akan diteliti. Kata kunci tersebut biasanya terdiri dari satu atau dua kata, sehingga hasil yang didapatkan kurang sesuai dengan pencarian yang diinginkan, atau diperlukan studi literatur yang cukup banyak untuk mencukupi referensi keseluruhan penelitian. Pada penelitian ini akan dilakukan pencarian referensi yang relevan dengan menggunakan masukan berupa dokumen teks publikasi ilmiah atau jurnal ilmiah. Dokumen teks yang dijadikan masukan, akan dilakukan ekstraksi kemudian akan dicari tingkat kemiripan dengan dokumen lain dalam database. Keluaran dari system ini berupa daftar dokumen yang relevan dengan masukan dokumen teks beserta persentase kemiripannya. Melalui system rekomendasi referensi karya ilmiah yang dibuat dengan menerapkan metode frequent itemset mining (FIM), akan dilakukan analisis keberhasilan reduksi dimensi yang dapat mempengaruhi akurasi hasil. Dari pengujian yang telah dilakukan diperoleh bahwa FIM berhasil mereduksi dimensi fitur kata dengan rata-rata sebesar 80,17% menggunakan minimum support 0,1. Sehingga dapat disimpulkan bahwa metode FIM efektif dalam melakukan reduksi dimensi sehingga menjadi salah satu factor yang mempengaruhi akurasi hasil.

Downloads

Download data is not yet available.

References

I. M. D. P. Asana, I. K. A. G. Wiguna, K. J. Atmaja, and I. P. A. Sanjaya, “FP-Growth Implementation in Frequent Itemset Mining for Consumer Shopping Pattern Analysis Application,” J. Mantik, vol. 4, no. 3, pp. 2063–2070, 2020.

M. Shahpoori and M. Alimoradi, “Document Classification with Frequent Itemset Minig”.

A. Sukma, B. Zaman, and E. Purwanti, “Information Retrieval Document Classification with K-Nearest Neighbor,” Rec. Libr. J., vol. 1, no. 2, pp. 129–138, 2015.

C. Goller, J. Löning, T. Will, and W. Wolff, “Automatic Document Classification-A thorough Evaluation of various Methods.,” ISI, vol. 2000, no. 2, pp. 145–162, 2000.

D. N. R. P. S. Audia Nurul Asyfa, "Identifikasi Kinerja Perusahaan Berdasarkan Laporan Keuangan Menggunakan Algoritma K-NN," Jurnal Aksara Komputer Terapan, p. 8, 2016.

A. N. Asyfa, D. Nurmalasari, and R. P. Sari, “Identifikasi Kinerja Perusahaan Berdasarkan Laporan Keuangan Menggunakan Algoritma K-NN,” J. Aksara Komput. Terap., vol. 5, no. 1, 2016.

M. Ainiyah, D. Nurmalasari, and W. Nengsih, “Visualisasi Data Teks Food Reviews Menggunakan Frequent Itemset Mining,” J. Aksara Komput. Terap., vol. 6, no. 2, 2017.

L. Tanjaya, A. Wibowo, and D. Nurmalasari, “Sistem Pengelompokan E-Journal Berdasarkan Abstrak Menggunakan Text Mining dan K-Means Clustering,” J. Aksara Komput. Terap., vol. 5, no. 1, 2016

J. Han, J. Pei, and M. Kamber, Data mining: concepts and techniques. Elsevier, 2011.

R. Feldman and J. Sanger, The text mining handbook: advanced approaches in analyzing unstructured data. Cambridge university press, 2007.

E. Muningsih, H. M. Nur, F. F. D. Imaniawan, V. R. Handayani, and F. Endiarto, “Comparative Analysis on Dimension Reduction Algorithm of Principal Component Analysis and Singular Value Decomposition for Clustering,” in Journal of Physics: Conference Series, 2020, vol. 1641, no. 1, p. 012101.

Published
2021-12-15
How to Cite
[1]
D. Nurmalasari and W. Nengsih, “Analisis Proses Reduksi Dimensi dengan Metode Frequent Itemset Mining pada Sistem Rekomendasi Referensi Karya Ilmiah”, JAIC, vol. 5, no. 2, pp. 176-181, Dec. 2021.
Section
Articles