Ni`amShofiNurdwianto (2010) Klasifikasi Berita Berbahasa Indonesia Menggunakan Metode Multinomial Naïve Bayes. Sarjana thesis, Universitas Brawijaya.
Abstract
Klasifikasi dokumen berita adalah suatu proses untuk mengklasifikasikan suatu artikel dokumen berita berbahasa Indonesia ke dalam suatu kategori tertentu. Tujuannya adalah untuk membantu pembaca dalam mencari dokumen sehingga dapat menghemat waktu pembaca dengan menghindari pencarian dokumen yang tidak relevan. Sistem ini mengimplementasikan metode MNB (Multinomial Naïve Bayes) untuk mengklasifikasikan sebuah dokumen, dimana dokumen yang digunakan berasal dari situs media online surat kabar Kompas.com dan Detik.com. Tahapan-tahapan yang dilakukan dalam sistem ini adalah, pertama dilakukan proses case folding yaitu mengubah semua huruf menjadi huruf kecil, tahap kedua yaitu penguraian kata (tokenizing), tahap ketiga yaitu mengambil kata-kata yang penting dan penghilangan stopword (filtering), tahap keempat yaitu mereduksi kata ke bentuk dasarnya (stemming), tahap kelima yaitu perhitungan frekuensi dari masing-masing kata, dan tahap terakhir yaitu klasifikasi menggunakan metode MNB (Multinomial Naïve Bayes). Untuk mengevaluasi efektifitas sistem pengklasifikasian dokumen, digunakan standar pengukuran precision, recall, dan F1 Measure. Hasil pengujian dan evaluasi menunjukkan bahwa sistem ini menghasilkan nilai rata-rata precision sebesar 0.860, rata-rata recall sebesar 0.864 dan rata-rata F1 measure sebesar 0.860. Evaluasi dilakukan untuk mengetahui pengaruh jumlah data latih terhadap efektifitas dari sistem.
| Item Type: | Thesis (Sarjana) |
|---|---|
| Identification Number: | SKR/MIPA/2010/051100173 |
| Subjects: | 500 Natural sciences and mathematics > 510 Mathematics |
| Divisions: | Fakultas Matematika dan Ilmu Pengetahuan Alam > Matematika |
| Depositing User: | Unnamed user with email repository.ub@ub.ac.id |
| Date Deposited: | 14 Feb 2011 09:17 |
| Last Modified: | 22 Oct 2021 02:23 |
| URI: | http://repository.ub.ac.id/id/eprint/152388 |
Preview |
Text
051100173.pdf Download (3MB) | Preview |
Actions (login required)
 |
View Item |