Implementasi learning vector quantization untuk klasifikasi kelas pada program khusus pengembangan bahasa arab

ABSTRAK:

Klasifikasi sering digunakan untuk pengelompokan data berdasarkan kategori atau ciri tertentu. Learning Vector Quantization merupakan salah satu metode yang sering digunakan untuk melakukan klasifikasi suatua data. Penelitian ini membahas kemampuan metode dalam mengklasifikasi sesuatu dengan mengukur akurasi, presisi, recall dan f-measure. Pada penelitian ini telah dilakukan tiga skenario pengujian. Pada skenario pertama didapati hasil akurasi sebesar 86.6% dengan presisi sebesar 80.0 dan recall sebesar 80.0% serta f-measure sebesar 80.0%. Pada skenario kedua didapati hasil akurasi sebesar 88.8% dengan presisi sebesar 83.3 dan recall sebesar 83.3% serta f-measure sebesar 83.3%. Dan pada skenario terakhir didapati hasil akurasi sebesar 88.3% dengan presisi sebesar 82.5 dan recall sebesar 82.5% serta f-measure sebesar 82.5%.

ABSTRACT:

Classification is often used for grouping data based on certain categories or features. Learning Vector Quantization is one method that is often used to classify data. This study discusses the ability of the method to classify something by measuring accuracy, precision, recall and f-measure. In this study, three test scenarios were conducted. The first scenario found an accuracy of 86.6% with a precision of 80.0 and a recall of 80.0% and an f-measure of 80.0%. In the second scenario, the accuracy results were 88.8% with 83.3 precision and 83.3% recall and 83.3% f-measure. And in the final scenario the accuracy results are 88.3% with a precision of 82.5 and a recall of 82.5% and an f-measure of 82.5%.

مستخلص البحث:

يُستخدم التصنيف غالبًا لتجميع البيانات بناءً على فئات أو ميزات معينة. يعد التعلم الكمي الموجهة (Learning Vector Quantization) إحدى الطرق التي غالبًا ما تستخدم لتصنيف البيانات. تناقش هذه الدراسة قدرة الطريقة على تصنيف شيء ما من خلال قياس الدقة والاحكام والاستدعاء والقياس (f-measure). أجريت في هذه الدراسة ثلاثة سيناريوهات اختبار. وجد السيناريو الأول دقة 86.6٪ باحكام 80.0 واستدعاء 80.0٪ ومقياس (f-measure) 80.0٪. في السيناريو الثاني ، كانت نتائج الدقة 88.8٪ باحكام 83.3 واستدعاء 83.3٪ ومقياس (f-measure) 83.3٪. وفي السيناريو النهائي ، بلغت نتائج الدقة 88.3٪ بدقة 82.5 واستدعاء 82.5٪ ومقياس (f-measure) 82.5٪.