IMPLEMENTASI TEXT MINING MENGGUNAKAN NAIVE BAYES UNTUK PENENTUAN KATEGORI TUGAS AKHIR MAHASISWA BERDASARKAN ABSTRAKSINYA

Agus Hermanto

Abstract


Dengan semakin meningkatnya penggunaan aplikasi sistem informasi di berbagai bidang, turut berdampak pada kebutuhan untuk peningkatan kecepatan pemrosesan data. Pemrosesan data yang menggunakan proses semi manual, mempunyai beberapa kendala, diantaranya : waktu proses lebih lama dan besaran data yang diproses menjadi relatif sedikit. Oleh karena itu dalam penelitian ini dikembangkan penggunaan naive bayes untuk membantu bagian koordinator tugas akhir dalam melakukan pengelompokan proposal tugas akhir. Metode naive bayes yang akan diimplementasi ke dalam sistem informasi proposal tugas akhir dapat memberikan sebuah solusi baru untuk menentukan kategori proposal tugas akhir berdasarkan abstraksi yang dibuat mahasiswa. Dalam hasil uji coba metode ini, dapat disimpulkan cukup berhasil dan secara garis besar dapat dijadikan sebagai perangkat bantu dalam melakukan klasifikasi dokumen tugas akhir. Tingkat akurasi berdasarkan pengujian untuk kategori hardware dan networking mencapai 86%, kategori sistem informasi tingkat akurasi mencapai 80% dan kategori sistem informasi akuntansi mencapai 89%. Secara keseluruhan, berdasarkan jumlah dataset yang diujikan dan tingkat keberhasilan yang dicapai, maka sistem ini mempunyai tingkat akurasi 87%.

Full Text:

PDF

References


Agustina, P. A., Matulatan, T., & Bettiza, M. (2014). The Classification Of The Trending Topic Of Twitter's With Naïve Bayes Method. Jurnal UMRAH (Universitas Maritim Raja Ali Haji).

Caruana, R., & Niculescu-mizil, A. (2006). An Empirical Comparison of Supervised Learning Algorithms. In Proc. 23 rd Intl. Conf. Machine learning (ICML’06) (hal. 161--168). Pittsburgh, Pennsylvania, USA: ACM New York, NY, USA.

Chandra, W. N., Indrawan, G., & Sukajaya, I. (2016). Spam Filtering Dengan Metode Pos Tagger Dan Klasifikasi Naïve. Jurnal Ilmiah Teknologi dan Informasia ASIA (JITIKA), 47-55.

Gorunescu, F. (2011). Data Mining : Concepts, Models and Techniques. Berlin: Springer.

Hand, D. J., & Yu, K. (2001). Idiot's Bayes: Not So Stupid after All? Revue Internationale de Statistique, Vol. 69, No. 3, 385-398.

Karim, M., & Rahman, R. (2013). Decision Tree and Naïve Bayes Algorithm for Classification and Generation of Actionable Knowledge for Direct Marketing. Journal of Software Engineering and Applications, 196-206

Mackay, D. J. (2003). Information Theory, Inference and Learning Algorithms. Cambridge University Press.

Murty, M. N., & Devi, V. S. (2011). Pattern Recognition: An Algorithmic Approach. London: Springer.

Nigam, K., McCallum, A., Thrun, S., & Mitchell, T. (1998). Learning to Classify Text from Labeled and Unlabeled Documents. American Association for Artificial Intelligence.

Norvig, P., & Russel, S. J. (2003). Artificial Intelligence: A Modern Approach. Prentice Hall.


Refbacks

  • There are currently no refbacks.