IMPLEMENTASI METODE NAIVE BAYES CLASSIFIER PADA SISTEM PENGKLASIFIKASI BERITA OTOMATIS BERBASIS WEBSITE (STUDI KASUS: BERITA LOKAL DARI MEDIAMASSA ONLINE KALIMANTAN BARAT)

Ines Rasila , Uray Ristian

Abstract


Media massa online seperti Pontianak Post, Tribun Pontianak, dan The Tanjungpura Times selalu memuat berita-berita terkini seputar Provinsi Kalimantan Barat. Proses klasifikasi berita selama ini masih dilakukan secara manual oleh tenaga khusus sehingga memakan waktu dan tenaga. Jumlah berita yang terkumpul dari text mining dengan menggunakan Node.js adalah sebanyak 18.794 berita. Pengujian performa dilakukan dengan membagi data sebanyak 936 sebagai data latih (training set) dan 405 data sebagai data uji (testing set) dengan rasio pembagian 70:30. Performa model yang dihasilkan dengan menggunakan metode Naive Bayes Classifier (NBC) mendapatkan akurasi sebesar 98,90% dari total 9 kelas yang diuji. Model tersebut kemudian digunakan untuk mengklasifikasi 17.453 berita di luar training set dan testing set. Hasil klasifikasi berita dengan menggunakan NBC menunjukkan bahwa sebanyak 4.821 berita diklasifikasikan ke dalam topik politik dan pemerintahan, sebanyak 2.475 berita diklasifikasikan ke dalam topik event, pariwisata dan olahraga, sebanyak 2.254 berita diklasifikasikan ke dalam topik pemilu, sebanyak 1.885 berita diklasifikasikan ke dalam topik hukum dan kriminalitas, sebanyak 1.561 berita diklasifikasikan ke dalam topik pendidikan, sebanyak 1.400 berita diklasifikasikan ke dalam topik lalu-lintas dan transportasi, sebanyak 1.179 berita diklasifikasikan ke dalam topik bencana alam, sebanyak 663 berita diklasifikasikan ke dalam topik kesehatan, dan sebanyak 488 berita diklasifikasikan ke dalam topik narkoba.

 

Kata Kunci: Naive Bayes Classifier, Text Mining, Klasifikasi Berita, Node.js, Python

Full Text:

PDF

Refbacks

  • There are currently no refbacks.