Perbandingan pembobotan fitur TF-IDF dan TF-ABS Dalam Klasifikasi Berita Online Menggunakan Support Vector Machine (SVM)

IKLIMA APRIANI

Informasi Umum

Kode

23.04.256

Klasifikasi

006.31 - Machine Learning

Jenis

Karya Ilmiah - Skripsi (S1) - Reference

Subjek

Machine - Learning, Vector Analysis, Machine Engineering,

Dilihat

163 kali

Informasi Lainnya

Abstraksi

<p>Berita terjadi karena adanya informasi atau kabar yang berhubungan dengan fakta dan sedang terjadi untuk kemudian disampaikan kepada masyarakat. Seiring dengan perkembangan teknologi kini penyebaran informasi dilakukan melalui media sosial yaitu website yang bisa diakses dengan media dekstop ataupun handphone. Pemilihan berita untuk dimasukan pada kategori tertentu jika dilakukan oleh manusia bisa menyebabkan human eror, terlebih berita yang dipakai sangat banyak bisa menyebabkan kurang efisien. Maka dari itu, sistem klasifikasi otomatis akan menjadi solusi pada permasalahan ini. Dalam klasifikasi, fitur extraction merupakan proses dasar dalam kategorisasi yang penting untuk dilakukan dan diketahui. Fitur tersebut kemudian akan direpresentasikan kedalam bentuk vektor, nilai vektor diperoleh dari pembobotan term (kata). Penelitian ini membandingkan pembobotan Term Frequency - Inverse Document Frequency (TF.IDF) dan Term Frequency Absolute (TF.ABS) yang dikombinasikan dengan fitur extraction unigram dengan metode klasifikasi Support Vector Machine (SVM). Dari hasil penelitian menunjukkan pembobotan TF-IDF mendapat akurasi sebesar 96,63% dengan hasil dengan hasil f1-score mendapat 97,06%. Sedangkan pembobotan TF-ABS mendapat akurasi sebesar 89,66% dengan hasil f1-score 96,63%. Dengan menggunakan pembobotan TF-IDF dapat menaikkan akurasi sebesar 6,97%. daripada mengunakan TF-ABS.</p>