Seleksi Fitur Menggunakan Hybrid Binary Grey Wolf Optimizer Untuk Klasifikasi Teks Arab

Subkhi, M. Bahrul (2022) Seleksi Fitur Menggunakan Hybrid Binary Grey Wolf Optimizer Untuk Klasifikasi Teks Arab. Masters thesis, Institut Teknologi Sepuluh Nopember.

Text 6025201024-Master_Thesis.pdf Restricted to Repository staff only Download (2MB) | Request a copy

Abstract

Seleksi fitur pada teks Arab merupakan tugas yang menantang karena sifat Bahasa Arab yang kompleks dan kaya. Dalam klasifikasi hadist teks Arab membutuhkan seleksi fitur, karena hadist teks Arab berbeda dengan dokumen teks Arab. Hadist teks Arab memiliki sanat dan matan yang menjadi pertimbangan dalam klasifikasi hadist teks Arab. Dalam seleksi fitur memerlukan kualitas solusi, stabilitas solusi, kecepatan konvergensi, dan kemampuan untuk menemukan global optimal. Penelitian ini mengusulkan metode seleksi fitur menggunakan Hybrid Binary Grey Wolf Optimizer untuk klasifikasi teks Arab. Metode HBGWO mengkombinasikan kemampuan pencarian lokal atau eksplorasi yg dimiliki BGWO, dan kemampuan pencarian di sekitar solusi terbaik atau eksploitasi yang dimiliki PSO. Serta mengkombinasikan kemampuan SCA dalam menemukan solusi global. Data set yang digunakan berupa teks Arab diambil dari islambook.com, yang terdiri dari lima kitab yaitu Shahih Bukhari, Shahih Muslim, Sunan Ibnu Majah, Sunan Abu Dawud dan Sunan at-Tirmidzi. Pada kumpulan kitab tersebut diambil 5 kelas yaitu Tuhid, Sholat, Zakat, Puasa dan Haji. Hasil penelitian menunjukkan bahwa metode seleksi fitur BGWOPSOSCA dengan pencarian fitness function dan metode klasifikasi memakai SVM, dapat mengungkapkan kinerja yang unggul pada masalah klasifikasi teks Arab. BGWOPSO dengan fitness function dan metode klasifikasi menggunakan SVM (C=1.0) memberikan nilai akurasi tinggi yaitu 76.377% dibandingkan dengan tanpa seleksi fitur. Pada metode seleksi fitur BGWOPSOSCA memberikan nilai akurasi 88.081%, nilai akurasi ini lebih tinggi dari seleksi fitur BGWOPSO dan metode seleksi fitur yang lain.
==============================================================================================================================
Feature selection in Arabic text is a challenging task due to the complex and rich nature of Arabic. In the classification of Arabic text hadith requires feature selection, because Arabic text hadith is different from Arabic text documents. Arabic text hadith has sanat and matan which are considered in the classification of Arabic text hadith. In feature selection requires solution quality, solution stability, convergence speed, and the ability to find the global optimal. This study proposes a feature selection method using the Hybrid Binary Gray Wolf Optimizer for Arabic text classification. The HBGWO method combines the local or exploratory search capabilities of the BGWO, and the search capabilities around the best solutions or exploits of the PSO. As well as combining SCA capabilities in finding global solutions. The data set used in the form of Arabic text is taken from islambook.com. which consists of five books, namely Sahih Bukhari, Sahih Muslim, Sunan Ibn Majah, Sunan Abu Dawud and Sunan at- Tirmidhi. In this collection of books, 5 classes were taken, Tauhid, Sholat, Zakat, Puasa and Haji. The results showed that the BGWOPSOSCA feature selection method with fitness function search and classification method using SVM, can reveal superior performance on Arabic text classification problems. BGWOPSO with fitness function and classification method using SVM (C=1.0) gives a high accuracy value of 76,377% compared to without feature selection. The BGWOPSOSCA feature selection method provides an accuracy value of 88,081%, this accuracy value is higher than the BGWOPSO feature selection and other feature selection methods.

Item Type:	Thesis (Masters)
Additional Information:	RTIf 001.012 Sub s-1 2022
Uncontrolled Keywords:	Seleksi Fitur, BGWO, BGWOPSO, BGWOPSOSCA. Feature Selection, BGWO, BGWOPSO, BGWOPSOSCA.
Subjects:	T Technology > T Technology (General)
Divisions:	Faculty of Intelligent Electrical and Informatics Technology (ELECTICS) > Informatics Engineering > 55101-(S2) Master Thesis
Depositing User:	Mr. Marsudiyana -
Date Deposited:	06 Jul 2026 04:58
Last Modified:	06 Jul 2026 04:58
URI:	http://repository.its.ac.id/id/eprint/134343

Actions (login required)

View Item