OPTIMALISASI KLASIFIKASI BERITA MENGGUNAKAN FEATURE INFORMATION GAIN UNTUK ALGORITMA NAIVE BAYES TERHUBUNG RANDOM FOREST

  • Bobby Suryo Prakoso (1*) STMIK Nusa Mandiri
  • Didi Rosiyadi (2) Ilmu Komputer STMIK Nusa Mandiri
  • Dedi Aridarma (3) Ilmu Komputer STMIK Nusa Mandiri
  • Heru Sukma Utama (4) Ilmu Komputer STMIK Nusa Mandiri
  • Fariz Fauzi (5) Ilmu Komputer STMIK Nusa Mandiri
  • Mohammad Arifin Nurul Qhomar (6) Ilmu Komputer STMIK Nusa Mandiri

    • (*) Corresponding Author
DOI: https://doi.org/10.33480/pilar.v15i2.684

Keywords: Remove Useless Attributes, Naive bayes Classifier-Multinomial, Random Forest, Feature Selection Information gain

Abstract

Penelitian ini adalah tentang pengklasifikasian berita yang mengoptimalisasi dengan kombinasi antar algoritma. Tentang dataset yang digunakan diambil pada situs pemberitaan online. Algoritma yang digunakan adalah algoritma Naive Bayes Classifier, dan Random Forest dengan pembobotan seleksi fitur Information Gain. Dataset yang digunakan terdapat 615 dataset dengan 3 katagori atau tema berita. Dalam permodelan terdapat 6 model skenario sebagai pembanding untuk menentukan skenario mana yang mendapatkan nilai terbaik, berdasarkan hasil penelitian ini nilai terbaik didapatkan oleh model Remove Useless Attributes, Naive bayes Classifier-Multinomial, dan Random Forest-Feature Selection Information gain. Hasil evaluasi yang didapatkan adalah nilai accuracy 85.67%, nilai recall 85.67%, dan nilai precision 86.23

Downloads

Download data is not yet available.

References

Budiman, A. S., Studi, P., Komputer, T., Parandani, X. A., Studi, P., & Informatika, M. (2018). Uji Akurasi Klasifikasi Dan Validasi Data Pada Penggunaan Metode Membership Function Dan Algoritma C4 . 5 Dalam, 9(1), 565–578.

Buntoro, G. A. (2016). ANALISIS SENTIMEN HATESPEECH PADA TWITTER DENGAN METODE NAÏVE BAYES CLASSIFIER DAN SUPPORT VECTOR MACHINE. Jurnal Dinamika Informatika, 5(2).

Dewi, N. K., Syafitri, U. D., Mulyadi, S. Y., Statistika, M. D., & Statistika, D. (2011). PENERAPAN METODE RANDOM FOREST DALAM DRIVER ( The Application of Random Forest in Driver Analysis ), 16(1), 35–43.

Fanissa, S., Fauzi, M. A., & Adinugroho, S. (2018). Analisis Sentimen Pariwisata di Kota Malang Menggunakan Metode Naive Bayes dan Seleksi Fitur Query Expansion Ranking. Jurnal Pengembangan Teknologi Informasi Dan Ilmu Komputer, 2(8), 2766–2770.

Feng, X., Li, S., Yuan, C., Zeng, P., & Sun, Y. (2018). Prediction of Slope Stability using Naive Bayes Classifier. KSCE Journal of Civil Engineering (2018) 22(3):941-950, PISSN 1226-7988, EISSN 1976-3808, 22, 941–950. https://doi.org/10.1007/s12205-018-1337-3

Hadna, N. M. S., Santosa, P. I., & Winarno, W. W. (2016). Studi Literatur Tentang Perbandingan Metode Untuk Proses Analisis Sentimen di Twitter. Seminar Nasional Teknologi Informasi Dan Komunikasi 2016 (SENTIKA 2016) Yogyakarta, 18-19 Maret 2016, (March).

Irfan, M. R., & Fauzi, M. A. (2018). Analisis Sentimen Kurikulum 2013 pada Twitter menggunakan Ensemble Feature dan Metode K-Nearest Neighbor, 2(9), 3006–3014.

Prakoso, B. S. (2019). Klasifikasi Berita Menggunakan Algoritma Naïve Bayes Classifierss Terintegrasi Pengujian Algoritma Random Forest Menggunakan Seleksi Kriteria Atribut”. Jakarta.

Pramudita, Y. D., Putro, S. S., Makhmud, N., Olahraga, B., Confix, E., & Stemmer, S. (2018). KLASIFIKASI BERITA OLAHRAGA MENGGUNAKAN METODE NAÏVE BAYES SPORTS NEWS CLASSIFICATION USING NAÏVE BAYES WITH ENHANCED CONFIX STRIPPING STEMMER, 5(3). https://doi.org/10.25126/jtiik.201853810

Pratama, N. D., Sari, Y. A., & Adikara, P. P. (2018). Analisis Sentimen Pada Review Konsumen Menggunakan Metode Naive Bayes Dengan Seleksi Fitur Chi Square Untuk Rekomendasi Lokasi Makanan Tradisional. Jurnal Pengembangan Teknologi Informasi Dan Ilmu Komputer (J-PTIIK) Universitas Brawijaya, 2(9), 2982–2988.

Saifudin, A. (2018). Metode Data Mining untuk Seleksi Calon Mahasiswa pada Penerimaan Mahasiswa Baru di Universitas Pamulang. Jurnal Teknologi, Volume 10(January), 25–35. https://doi.org/10.24853/jurtek.10.1.25-36

Sari, B. N. (2016). Implementasi Teknik Seleksi Fitur Information Gain Pada Algoritma Klasifikasi Machine Learning Untuk Prediksi Performa Akademik Siswa, (March), 6–7.

Xu, S. (2018). Bayesian Naïve Bayes classifiers to text classification. Journal of Information Science, 44(1), 48–59. https://doi.org/10.1177/0165551516677946

Published
2019-09-05
How to Cite
Prakoso, B., Rosiyadi, D., Aridarma, D., Utama, H., Fauzi, F., & Qhomar, M. (2019). OPTIMALISASI KLASIFIKASI BERITA MENGGUNAKAN FEATURE INFORMATION GAIN UNTUK ALGORITMA NAIVE BAYES TERHUBUNG RANDOM FOREST. Jurnal Pilar Nusa Mandiri, 15(2), 211-218. https://doi.org/10.33480/pilar.v15i2.684
Article Metrics

Abstract viewed = 894 times
PDF downloaded = 1358 times
Issue
Vol 15 No 2 (2019): Pilar Nusa Mandiri : Journal of Computing and Information System Periode September 2019
Section
Articles

Copyright (c) 2019 Bobby Suryo Prakoso, Didi Rosiyadi, Dedi Aridarma, Heru Sukma Utama, Fariz Fauzi, Mohammad Arifin Nurul Qhomar

Creative Commons License

This work is licensed under a Creative Commons Attribution-NonCommercial 4.0 International License.

An author who publishes in the Pilar Nusa Mandiri: Journal of Computing and Information System agrees to the following terms:

  1. Author retains the copyright and grants the journal the right of first publication of the work simultaneously licensed under the Creative Commons Attribution-NonCommercial 4.0 License that allows others to share the work with an acknowledgement of the work's authorship and initial publication in this journal
  2. Author is able to enter into separate, additional contractual arrangements for the non-exclusive distribution of the journal's published version of the work (e.g., post it to an institutional repository or publish it in a book) with the acknowledgement of its initial publication in this journal.
  3. Author is permitted and encouraged to post his/her work online (e.g., in institutional repositories or on their website) prior to and during the submission process, as it can lead to productive exchanges, as well as earlier and greater citation of the published work (See The Effect of Open Access).
    Read more about the Creative Commons Attribution-NonCommercial 4.0 Licence here: https://creativecommons.org/licenses/by-nc/4.0/.