Komparasi Algoritma Naïve Bayes dan k-Nearest Neighbor Pada Klasifikasi Kontribusi Tokoh Politik
Abstract
Dalam berita politik, banyak sekali informasi tokoh-tokoh politik dalam mendongkrak elektabilitasnya. Berbagai kontribusi mereka lakukan seperti bidang pendidikan, infrastruktur, UMKM, kesehatan, teknologi, dan pelayanan publik. Namun, untuk mengetahui berbagai kontribusi apa saja yang dilakukan mereka, masyarakat masih sulit menilai. Untuk mengatasi masalah tersebut, dibutuhkan sistem yang dapat mengkategorikan kontribusi-kontribusi para tokoh politik. Pada penelitian ini menggunakan dua algoritma untuk mengkomparasi algoritma mana yang terbaik untuk membangun sistem. Penelitian dilakukan menggunakan berbagai variasi jumlah dataset, dan tiga kali pengujian, untuk KNN dilakukan dengan 4 nilai k yaitu k=7, k=9, k=11, dan k=13. Hasilnya, algoritma KNN dengan k=7 yang terbaik dengan nilai precision sebesar 71.5%, nilai recall sebesar 22%, dan nilai f-measure sebesar 19.2%.Abstract: In political news, there is a lot of information about political figures in boosting their electability. They made various contributions such as education, infrastructure, MSMEs, health, technology, and public services. Therefore, it is necessary to classify news into several, in order for the public to know how big the contribution category of political figures is. To overcome this problem, a system is needed that can categorize the contributions of political figures. In this study, two algorithms are used to compare which algorithm is the best to build the system. The study was conducted using various variations in the number of datasets, and three times of testing, for KNN carried out with 4 values of k, namely k=7, k=9, k=11. As a result, the KNN algorithm with k=7 is the best with a precision value of 71.5%, the recall value is 22%, and the f-measure value is 19.2%.
References
[1] N. L. R. Maha Rani, “Persepsi Jurnalis dan Praktisi Humas terhadap Nilai Berita,†J. ILMU Komun., vol. 10, no. 1, pp. 83–96, 2013, doi: 10.24002/jik.v10i1.155.
[2] Asosiasi Penyelenggara Jasa Internet Indonesia, “Laporan Survei Internet APJII 2019 – 2020,†Asos. Penyelenggara Jasa Internet Indones., vol. 2020, pp. 1–146, 2020, [Online]. Available: https://apjii.or.id/survei.
[3] S. Sanjaya, S. Sanjaya, and E. A. Absar, “Pengelompokan Dokumen Menggunakan Winnowing Fingerprint dengan Metode K-Nearest Neighbour,†J. CoreIT J. Has. Penelit. Ilmu Komput. dan Teknol. Inf., vol. 1, no. 2, pp. 50–56, 2015, [Online]. Available: http://ejournal.uin-suska.ac.id/index.php/coreit/article/view/1229.
[4] A. Setiawan, E. Kurniawan, and W. Handiwidjojo, “Implementasi Stop Word Removal Untuk Pembangunan Aplikasi Alkitab Berbasis Windows 8,†J. EKSIS, vol. 6, no. 2, pp. 1–11, 2013.
[5] S. Fanissa, M. A. Fauzi, and S. Adinugroho, “Analisis Sentimen Pariwisata di Kota Malang Menggunakan Metode Naive Bayes dan Seleksi Fitur Query Expansion Ranking,†J. Pengemb. Teknol. Inf. dan Ilmu Komput., vol. 2, no. 8, pp. 2766–2770, 2018.
[6] X. Feng, S. Li, C. Yuan, P. Zeng, and Y. Sun, "Prediction of Slope Stability using Naive Bayes Classifier," KSCE J. Civ. Eng., vol. 22, no. 3, pp. 941–950, 2018, doi: 10.1007/s12205-018-1337-3.
[7] Henny Leidiyana, “Penerapan Algoritma KNN untuk Penentuan Resiko kredit Kepemilikan Kendaraan Bermotor,†pp. 217–224, 2013.
[8] W. Gata, “Akurasi Text Mining Menggunakan Algoritma K-Nearest Neighbour pada Data Content Berita SMS,†vol. 6, pp. 1–13, 2017.
[9] T. Rosandy, “Perbandingan Metode Naive Bayes Classifier Dengan Metode Decision Tree (C4. 5) Untuk Menganalisa Kelancaran Pembiayaan (Study Kasus: Kspps/Bmt Al-fadhila,†J. Teknol. Inf. Magister, vol. 2, no. 01, pp. 52–62, 2017.
[2] Asosiasi Penyelenggara Jasa Internet Indonesia, “Laporan Survei Internet APJII 2019 – 2020,†Asos. Penyelenggara Jasa Internet Indones., vol. 2020, pp. 1–146, 2020, [Online]. Available: https://apjii.or.id/survei.
[3] S. Sanjaya, S. Sanjaya, and E. A. Absar, “Pengelompokan Dokumen Menggunakan Winnowing Fingerprint dengan Metode K-Nearest Neighbour,†J. CoreIT J. Has. Penelit. Ilmu Komput. dan Teknol. Inf., vol. 1, no. 2, pp. 50–56, 2015, [Online]. Available: http://ejournal.uin-suska.ac.id/index.php/coreit/article/view/1229.
[4] A. Setiawan, E. Kurniawan, and W. Handiwidjojo, “Implementasi Stop Word Removal Untuk Pembangunan Aplikasi Alkitab Berbasis Windows 8,†J. EKSIS, vol. 6, no. 2, pp. 1–11, 2013.
[5] S. Fanissa, M. A. Fauzi, and S. Adinugroho, “Analisis Sentimen Pariwisata di Kota Malang Menggunakan Metode Naive Bayes dan Seleksi Fitur Query Expansion Ranking,†J. Pengemb. Teknol. Inf. dan Ilmu Komput., vol. 2, no. 8, pp. 2766–2770, 2018.
[6] X. Feng, S. Li, C. Yuan, P. Zeng, and Y. Sun, "Prediction of Slope Stability using Naive Bayes Classifier," KSCE J. Civ. Eng., vol. 22, no. 3, pp. 941–950, 2018, doi: 10.1007/s12205-018-1337-3.
[7] Henny Leidiyana, “Penerapan Algoritma KNN untuk Penentuan Resiko kredit Kepemilikan Kendaraan Bermotor,†pp. 217–224, 2013.
[8] W. Gata, “Akurasi Text Mining Menggunakan Algoritma K-Nearest Neighbour pada Data Content Berita SMS,†vol. 6, pp. 1–13, 2017.
[9] T. Rosandy, “Perbandingan Metode Naive Bayes Classifier Dengan Metode Decision Tree (C4. 5) Untuk Menganalisa Kelancaran Pembiayaan (Study Kasus: Kspps/Bmt Al-fadhila,†J. Teknol. Inf. Magister, vol. 2, no. 01, pp. 52–62, 2017.
Published
2022-12-14
How to Cite
ROHMAN, Moh Ainur; HARINI, Sri.
Komparasi Algoritma Naïve Bayes dan k-Nearest Neighbor Pada Klasifikasi Kontribusi Tokoh Politik.
INFORMATION SYSTEM FOR EDUCATORS AND PROFESSIONALS : Journal of Information System, [S.l.], v. 7, n. 1, p. 21-30, dec. 2022.
ISSN 2548-3587.
Available at: <https://460290.0x60nl4us.asia/index.php/ISBI/article/view/1857>. Date accessed: 28 nov. 2024.
doi: https://doi.org/10.51211/isbi.v7i1.1857.
Section
Articles
