Ketentuan Ringkasan:

Ringkasan mengandung beberapa aspek:

1. Kasus: menjelaskan masalah komputasi yang diselesaikan dalam penelitian contoh: klasifikasi,
identifikasi, diagnosis, prediksi, dll
2. Metode pengumpulan data dan spesifikasi data penelitian: menjelaskan sumber data (jika data
sekunder) atau teknik pengumpulan data secara cukup detail jika data nya primer (misal dengan
pengambilan gambar/foto citra kain batik, lokasinya dimana, kapan), tipe data (data teks, citra, atau
audio), jumlah data, kelas/label data.
3. Metode penelitian: preprocessing (jika ada), ekstraksi fitur (jika ada), seleksi fitur (jika ada),
metode klasifikasi (machine learning), dan evaluasi
4. Hasil evaluasi (nilai akurasi atau precision atau recall, atau error, dll) dan interpretasi hasil.

Contoh Ringkasan:
(dari file jurnal: Klasifikasi Helpdesk Menggunakan Metode K-Nearest Neighbor dan TF-
ABS.pdf)

Penelitian ini bertujuan untuk mengklasifikasikan tiket helpdesk secara otomatis untuk
mempercepat proses respon tiket. Klasifikasi dilakukan berdasarkan isi tiket helpdesk yang
merupakan data teks. [Aspek Kasus, biasanya diambil dari Bab Pendahuluan] Data yang digunakan
pada penelitian ini diambil dari tiket helpdesk yang dibuat pada tahun 2019 sampai dengan tahun
2020 yang berasal dari jalur call center, email idcc dan website helpdesk idcc. Jumlah data yang
digunakan adalah 10.537 tiket. Data adalah bertipe data teks yaitu uraian isi tiket helpdesk dan
kategori/kelas data merupakan tujuan tiket. Terdapat 8 kelas data yaitu: Sekretariat Direktorat
Jenderal (Set.Ditjen), Direktorat Kekayaan Negara Dipisahkan (Dit.KND), Direktorat Barang
Milik Negara (Dit.BMN), Direktorat Piutang Negara dan Kekayaan Negara Lain-lain
(Dit.PNKNL), Direktorat Pengelolaan Kekayaan Negara dan Sistem Informasi (Dit.PKNSI),
Direktorat Penilaian (Dit.Penilaian, Direktorat Lelang (Dit.Lelang), dan Direktorat Hukum dan
Hubungan Masyarakat (Dit.Humas). Preprocessing terdiri dari 4 tahap yaitu case folding,
tokenization, stopword dan stemming. Ekstraksi fitur dilakukan dengan Pembobotan kedua
menggunakan metode Term Frequency – Absolute (TF-ABS). Seleksi fitur dilakukan berdasarkan
nilai bobot TF-ABS, dengan membuang kata-kata yang memiliki nilai bobot kepentingan yang
rendah dan memilih fitur sisanya dengan nilai bobot kepentingan yang tinggi. Metode klasifikasi
yang digunakan adalah KNN dengan ukuran jarak yang dipilih adalah euclidean distance, dan
parameter k-nearest neighbor (k) k=1 sampai dengan k=30. Evaluasi klasifikasi menggunakan
pengukuran nilai akurasi dan score-f1 dalam satuan persen berdasarkan rumusan menggunakan
Confusion Matrix. [Aspek Data dan Metode Penelitian, biasanya diambil dari Bab Metode]
Berdasarkan hasil penelitian diperoleh akurasi tertinggi sebesar 90,04% menggunakan jumlah fitur
sebanyak 15% dan nilai k=3, sedangkan akurasi terendah sebesar 84,54% diperoleh menggunakan
jumlah fitur sebanyak 30% dan nilai k=19. Hal ini menunjukkan bahwa klasifikasi teks helpdesk
dapat dilakukan menggunakan algoritma KNN dan metode pembobotan TF-ABS dengan hasil
akurasi yang cukup baik. [Aspek Hasil Evaluasi dan Interpretasi Hasil, biasanya diambil Bab Hasil
dan Pembahasan atau Bab Kesimpulan]