PEMBANGUNAN APLIKASI KLASIFIKASI BERITA MENGGUNAKAN METODE MULTINOMIAL NAÏVE BAYES

AJI, TRI PURNOMO (2019) PEMBANGUNAN APLIKASI KLASIFIKASI BERITA MENGGUNAKAN METODE MULTINOMIAL NAÏVE BAYES. S1 thesis, UAJY.

Text TF08008.pdf Restricted to Repository staff only Download (4MB)

Abstract

Dalam perkembanngan media penyaluran informasi atau berita yang pada awalnya menyampaikan berita melalui media televisi, surat kabar, majalah atau radio kemudian proses penyampaian informasi tersebut sudah mulai digantikan menggunakan sistem berbasis digital. Berita yang disampaikan terdiri dari beberapa kategori berita seperti polhukam, bisnis, olahraga, hiburan, teknologi, otomotis, kesehatan dan lain-lain. Masalahnya adalah untuk saat ini membagi berita ke dalam kategori berita yang sesuai dengan artikel berita dilakukan secara manual. Hal ini sangat merepotkan dan sangat membuang waktu untuk melakukan hal terebut. Dari kasus tersebut, dibutuhkan sebuah sistem yang dapat mengkategorikan atau mengklasifikasi artikel berita sesuai dengan kategorinya masing-masing secara otomatis, dengan begitu artikel berita yang dikategorikan tidak perlu lagi dilakukan pengecekkan artikel berita secara manual. Dalam mewujudkan hal tersebut, sistem yang akan dibangun untuk menyelesaikan masalah tersebut membutuhkan sebuah metode Text Mining dan Multinomial Naïve Bayes untuk mencari dataset dan membuat sebuah model klasifikasi artikel berita yang baru. Dengan adanya model klasifikasi yang baru dapat menentukan sebuah kategori artikel berita secara otomatis, dengan begitu walaupun jumlah artikel berita yang sangat banyak dapat dengan cepat untuk menentukan pengkategorian pada artikel berita. Berdasarkan hasil penelitian pengujian, dengan menggunakan 10500 dataset dan tujuh kategori artikel berita yang telah didapat. Pengujian diukur dengan menggunakan confusion matrix. Dari hasil pengujian menunjukkan bahwa implementasi Multinomial Naïve Bayes pada sistem klasifikasi artikel berita memiliki tingkat accuracy 96%, precision 96%, recall 96% dan f1-score 96%.

Actions (login required)

View Item