Analisis Perbandingan Metode Pembobotan Kata TF.IDF dan TF.RF Terhadap Performansi Kategorisasi Teks
Thopo Martha Akbar

Informasi Umum

Kode

113060254

Klasifikasi

005.1 - Computer programming

Jenis

Karya Ilmiah - Skripsi (S1) - Reference

Subjek

Rekayasa Perangkat Lunak

Dilihat

35 kali

Informasi Lainnya

Abstraksi

ABSTRAKSI: Dalam text preprocessing, term weighting merupakan salah satu tahapan yang sangat penting. Tahapan ini dilakukan dengan tujuan untuk memberikan suatu nilai/bobot pada term yang terdapat pada suatu dokumen. Bobot yang diberikan terhadap sebuah term bergantung kepada metode yang digunakan untuk membobotinya. Dalam text mining, terdapat beberapa macam metode pembobotan yang diantaranya adalah TF, TF·IDF, WIDF, TF·IG, dan TF·RF.<br>Pada Tugas Akhir ini, beberapa metode pembobotan kata yaitu TF·IDF, dan TF·RF diperbandingkan output-nya terhadap performansi kategorisasi teks. Adapun beberapa parameter yang dijadikan tolok ukur untuk membandingkan performansi dari kategorisasi teks tersebut adalah precision, recall dan f-measure. Untuk menguji output dari hasil pembobotan, digunakan tool klasifikasi yaitu LIBSVM sebagai classifier-nya, dengan linear SVM sebagai kernel SVM -nya.<br>Berdasarkan hasil pengujian, didapat bahwa metode pembobotan TF·RF memiliki performansi yang lebih baik dibanding metode pembobotan TF·IDF. Secara umum, TF·RF mengungguli TF·IDF di sebagian pengujian yang dilakukan. Kelebihan TF·RF yang memperhitungkan frekuensi kemunculan suatu term pada suatu kategori dan menormalisasikannya ke keseluruhan dokumen, membuat metode ini lebih baik dibanding TF·IDF.<br>Kata Kunci : text preprocessing, term, term weighting, TF·IDF, TF·RFABSTRACT: In the Text Preprocessing, term weighting is a step that is very important. This step is applied in order to give a value/weight on the term that is contained in a document. The weight given to a term depends on the method that is used for the weighting. In the text mining, there are some term weighting method such as TF, TF·IDF, WIDF, TF·IG, and TF·RF.<br>In this Final Task, some term weighting methods like TF·IDF, and TF·RF, are compared each other by seeing the output of the text categorization performance. Some parameters that will be used as a measurement for comparing the text categorization performance are recall, precision, and f-measure. To test the output of the weighting result, it will be used a classification tool like Weka, with NaiveBayes and Naïve Bayes Updateable as its classifier.<br>Based on the result, it is concluded that the TF·RF weighting method has better performance compared with TF·IDF weighting method. In general, the TF·RF outperformed TF·IDF in some testing done. Excess TF·RF which takes into account the frequency of occurrence of a term in a category and menormalisasikannya to the whole document, make this method better than the TF·IDF.<br>Keyword: text preprocessing, term, term weighting, TF·IDF, TF·RF

Koleksi & Sirkulasi

Tersedia 1 dari total 1 Koleksi

Pengarang

Penerbit

Sirkulasi

Download / Flippingbook