Text
Peningkatan akurasi klasifikasi teks dengan supervised term weighting (TF.ICF) menggunakan alrogaritma Support Vector Machine (SVM)
ABSTRAK
MUTIA ARIFIN, Peningkatan Akurasi Klasifikasi Teks dengan Supervised Term
Weighting (TF.ICF) menggunakan Algoritma Support Vector Machine (SVM).
Pembimbing Widodo, M.Kom dan Bambang Prasetya A., S.pd., M.Kom
Berita merupakan sebuah informasi yang berisi tentang peristiwa terbaru yang telah
terjadi yang ditulis berdasarkan fakta yang ada. Berita dapat dikatakan sebagai teks
karena tidak memiliki batasan karakter. Banyaknya berita yang terdapat di portal
berita di internet menyebabkan sulitnya mengklasifikasikan berita tersebut.
Penelitian ini menggunakan algoritma Support Vector Machine dalam
mengklasifikasikan berita. Namun, perbedaannya terletak pada proses pembobotan
kata yaitu dengan melakukan dua metode, yakni Unsupervised Term Weighting
(TF.IDF) dan Supervised Term Weighting (TF.ICF). Setelah data diklasifikasikan,
maka akan dilakukan uji akurasi teks dan mengevaluasinya dengan menggunakan
Confusion Matrix. Hasil akurasi dengan menggunakan metode TF.IDF adalah
89.3%, sedangkan hasil akurasi dengan menggunakan metode TF.ICF adalah
95.3%. Metode TF.ICF mendapatkan hasil yang lebih tinggi dibandingkan dengan
metode TF.IDF dikarenakan pada proses TF.ICF dilakukan pembobotan kata
dengan mempertimbangkan dokumen pada kategori atau kelas lainnya, sehingga
klasifikasinya akan lebih akurat.
Kata Kunci: Berita, Klasifikasi, TF.IDF, TF.ICF, Support Vector Machine, Akurasi
SS00018596 | SK 18596 | UPT Perpustakaan UNJ (CD.05.2018.005) | Tersedia |
Tidak tersedia versi lain