ANALISIS NAIVE BAYES DAN SUPPORT VECTOR MACHINE UNTUK MENGKLASIFIKASIKAN ABSTRAK SKRIPSI MAHASISIWA UNIVERSITAS TELKOM BERDASARKAN TUJUAN PEMBANGUNAN BERKELANJUTAN - Dalam bentuk pengganti sidang - Artikel Jurnal

GLORIA NATASYA IRENE SIDEBANG

Informasi Umum

Kode

25.04.6974

Klasifikasi

005.7 - Data in Computer Systems

Jenis

Karya Ilmiah - Skripsi (S1) - Reference

Subjek

Data Science

Dilihat

55 kali

Informasi Lainnya

Abstraksi

Tujuan Pembangunan Berkelanjutan (SDGs) berfungsi sebagai kerangka kerja global untuk mengatasi berbagai isu seperti kemiskinan, ketimpangan, dan perubahan iklim. Dalam konteks pendidikan tinggi, skripsi mahasiswa berfungsi sebagai refleksi berharga atas kontribusi institusional terhadap tujuan-tujuan ini. Namun, mengkategorikan sejumlah besar teks akademis ke dalam target SDG yang relevan menimbulkan tantangan yang signifikan. Studi ini mengeksplorasi penerapan pembelajaran mesin, khususnya Naive Bayes dan Support Vector Machine (SVM), untuk mengklasifikasikan 15.309 abstrak skripsi sarjana dari Universitas Telkom (2020-2023) ke dalam kategori SDG. Tiga pendekatan klasifikasi multilabel—One-vs-Rest, Classifier Chain, dan Label Powerset—digunakan bersama dengan dua teknik word embedding, yaitu FastText dan Word2Vec. Hasil eksperimen menunjukkan bahwa kinerja terbaik dicapai dengan menggunakan kombinasi SVM, Word2Vec, dan metode Label Powerset, yang menghasilkan akurasi 93,94%, presisi 74,09%, dan F1-score 47,28%. Meskipun Naive Bayes memiliki presisi yang lebih rendah, model ini menunjukkan konsistensi yang lebih besar dalam memprediksi label, yang ditunjukkan oleh rasio kecocokan (match ratio) yang lebih tinggi dan rasio ketidakcocokan (mismatch ratio) yang lebih rendah. Temuan ini menggarisbawahi kegunaan pembelajaran mesin untuk klasifikasi yang selaras dengan SDG di repositori akademik, menawarkan solusi yang dapat diskalakan untuk pelaporan keberlanjutan dan meningkatkan kemudahan penemuan penelitian. Penelitian di masa depan dapat berfokus pada model deep learning dan AI yang dapat dijelaskan (explainable AI) untuk meningkatkan akurasi dan transparansi dalam hasil klasifikasi.