Penerapan Metode Winnowing Fingerprint dan Naive Bayes untuk Pengelompokan Dokumen
Keanekaragaman dokumen teks serta jumlahnya saat ini terus bertambah yang menyebabkan penumpukan dokumen. Dokumen yang tersebar dan tidak terkoordinasi dengan baik akan menyulitkan pencari informasi dalam mendapatkan informasi yang diinginkan, maka perlu dibuatnya suatu sistem yang dapat mengelompok...
| Main Authors: | , |
|---|---|
| Format: | Article |
| Language: | Indonesian |
| Published: |
Program Studi Teknik Informatika, Universitas Islam Negeri Sultan Syarif Kasim Riau, Indonesia
2018-01-01
|
| Series: | Jurnal CoreIT: Jurnal Hasil Penelitian Ilmu Komputer dan Teknologi Informasi |
| Online Access: | http://ejournal.uin-suska.ac.id/index.php/coreit/article/view/4418 |
| _version_ | 1818336373736734720 |
|---|---|
| author | Adi Radili Suwanto Sanjaya |
| author_facet | Adi Radili Suwanto Sanjaya |
| author_sort | Adi Radili |
| collection | DOAJ |
| description | Keanekaragaman dokumen teks serta jumlahnya saat ini terus bertambah yang menyebabkan penumpukan dokumen. Dokumen yang tersebar dan tidak terkoordinasi dengan baik akan menyulitkan pencari informasi dalam mendapatkan informasi yang diinginkan, maka perlu dibuatnya suatu sistem yang dapat mengelompokkan dokumen. Penelitian ini menerapkan metode winnowing untuk pemilihan fitur yaitu fingerprint dan naive bayes untuk pengelompokan. Pengelompokan dokumen dengan menggunakan winnowing fingerprint dan naive bayes mempunyai 8 bidang keahlian dengan menggunakan 1050 dokumen abstrak dengan 90% data latih dan 10% data uji. Pengujian menghasilkan akurasi 40% (k-gram=3, bilangan prima=2 dan jumlah window=8), 49,52% (k-gram=5, bilangan prima=2 dan jumlah window=8), 84,76% (k-gram=8, bilangan prima=2 dan jumlah window=8) dan 67,61% (k-gram=12, bilangan prima=2 dan jumlah window=8). Sedangkan pengujian menggunakan data yang seimbang, yaitu 400 data latih (masing-masing kelas memiliki 50 dokumen) menghasilkan akurasi 20% (k-gram=3, bilangan prima=2 dan jumlah window=8), 27,5% (k-gram=5, bilangan prima=2 dan jumlah window=8), 70% (k-gram=8, bilangan prima=2 dan jumlah window=8) dan 47,5% (k-gram=12, bilangan prima=2 dan jumlah window=8). Konfigurasi winnowing dengan nilai k-gram=8, bilangan prima=2 dan jumlah window=8 akan menghasilkan ciri dokumen yang terbaik untuk pengelompokan dokumen.
Kata kunci – Text Mining, Winnowing, Naive Bayes, Fingerprint, Pengelompokan Dokumen |
| first_indexed | 2024-12-13T14:38:18Z |
| format | Article |
| id | doaj.art-f893d97bcf04439595d2cfaa8cd97992 |
| institution | Directory Open Access Journal |
| issn | 2460-738X 2599-3321 |
| language | Indonesian |
| last_indexed | 2024-12-13T14:38:18Z |
| publishDate | 2018-01-01 |
| publisher | Program Studi Teknik Informatika, Universitas Islam Negeri Sultan Syarif Kasim Riau, Indonesia |
| record_format | Article |
| series | Jurnal CoreIT: Jurnal Hasil Penelitian Ilmu Komputer dan Teknologi Informasi |
| spelling | doaj.art-f893d97bcf04439595d2cfaa8cd979922022-12-21T23:41:41ZindProgram Studi Teknik Informatika, Universitas Islam Negeri Sultan Syarif Kasim Riau, IndonesiaJurnal CoreIT: Jurnal Hasil Penelitian Ilmu Komputer dan Teknologi Informasi2460-738X2599-33212018-01-013210.24014/coreit.v3i2.44182722Penerapan Metode Winnowing Fingerprint dan Naive Bayes untuk Pengelompokan DokumenAdi Radili0Suwanto Sanjaya1UIN Suska RiauUIN SUska RiauKeanekaragaman dokumen teks serta jumlahnya saat ini terus bertambah yang menyebabkan penumpukan dokumen. Dokumen yang tersebar dan tidak terkoordinasi dengan baik akan menyulitkan pencari informasi dalam mendapatkan informasi yang diinginkan, maka perlu dibuatnya suatu sistem yang dapat mengelompokkan dokumen. Penelitian ini menerapkan metode winnowing untuk pemilihan fitur yaitu fingerprint dan naive bayes untuk pengelompokan. Pengelompokan dokumen dengan menggunakan winnowing fingerprint dan naive bayes mempunyai 8 bidang keahlian dengan menggunakan 1050 dokumen abstrak dengan 90% data latih dan 10% data uji. Pengujian menghasilkan akurasi 40% (k-gram=3, bilangan prima=2 dan jumlah window=8), 49,52% (k-gram=5, bilangan prima=2 dan jumlah window=8), 84,76% (k-gram=8, bilangan prima=2 dan jumlah window=8) dan 67,61% (k-gram=12, bilangan prima=2 dan jumlah window=8). Sedangkan pengujian menggunakan data yang seimbang, yaitu 400 data latih (masing-masing kelas memiliki 50 dokumen) menghasilkan akurasi 20% (k-gram=3, bilangan prima=2 dan jumlah window=8), 27,5% (k-gram=5, bilangan prima=2 dan jumlah window=8), 70% (k-gram=8, bilangan prima=2 dan jumlah window=8) dan 47,5% (k-gram=12, bilangan prima=2 dan jumlah window=8). Konfigurasi winnowing dengan nilai k-gram=8, bilangan prima=2 dan jumlah window=8 akan menghasilkan ciri dokumen yang terbaik untuk pengelompokan dokumen. Kata kunci – Text Mining, Winnowing, Naive Bayes, Fingerprint, Pengelompokan Dokumenhttp://ejournal.uin-suska.ac.id/index.php/coreit/article/view/4418 |
| spellingShingle | Adi Radili Suwanto Sanjaya Penerapan Metode Winnowing Fingerprint dan Naive Bayes untuk Pengelompokan Dokumen Jurnal CoreIT: Jurnal Hasil Penelitian Ilmu Komputer dan Teknologi Informasi |
| title | Penerapan Metode Winnowing Fingerprint dan Naive Bayes untuk Pengelompokan Dokumen |
| title_full | Penerapan Metode Winnowing Fingerprint dan Naive Bayes untuk Pengelompokan Dokumen |
| title_fullStr | Penerapan Metode Winnowing Fingerprint dan Naive Bayes untuk Pengelompokan Dokumen |
| title_full_unstemmed | Penerapan Metode Winnowing Fingerprint dan Naive Bayes untuk Pengelompokan Dokumen |
| title_short | Penerapan Metode Winnowing Fingerprint dan Naive Bayes untuk Pengelompokan Dokumen |
| title_sort | penerapan metode winnowing fingerprint dan naive bayes untuk pengelompokan dokumen |
| url | http://ejournal.uin-suska.ac.id/index.php/coreit/article/view/4418 |
| work_keys_str_mv | AT adiradili penerapanmetodewinnowingfingerprintdannaivebayesuntukpengelompokandokumen AT suwantosanjaya penerapanmetodewinnowingfingerprintdannaivebayesuntukpengelompokandokumen |