PEMBANGUNAN SISTEM TEMU BALIK INFORMASI (INFORMATION RETRIEVAL) DALAM PEMILIHAN PEMAIN SEPAK BOLA BERKUALITAS DI INDONESIA BERBASIS ANALISIS SENTIMEN
|
|
- Sudomo Hermawan
- 7 tahun lalu
- Tontonan:
Transkripsi
1 PEMBANGUNAN SISTEM TEMU BALIK INFORMASI (INFORMATION RETRIEVAL) DALAM PEMILIHAN PEMAIN SEPAK BOLA BERKUALITAS DI INDONESIA BERBASIS ANALISIS SENTIMEN Wina Witanti, Herry Rahmanto, Faiza Renaldi Program Studi Informatika, Fakultas Matematika dan Ilmu Pengetahuan Alam, Universitas Jenderal Achmad Yani Jl. Terusan Jenderal Sudirman, PO BOX 148 Cimahi, Jawa Barat, Indonesia ABSTRAKS Sepak bola merupakan salah satu olahraga yang sangat disukai dibandingkan dengan olahraga yang lainnya. Hal ini disebabkan karena dalam sepak bola mengutamakan strategi dan kerjasama tim dari seluruh pemain. Menjadi tim terbaik diperlukan pemain yang termasuk ke dalam kategori berkualitas. Oleh karena itu pencarian terhadap pemain sepak bola yang berkualitas memerlukan sistem yang mampu merekomendasikan 11 pemain sepak bola terbaik dan data yang digunakan berjumlah 120 artikel serta 70 pemain sepak bola. Pada penelitian ini menggunakan metode Naïve Bayes Classifier dengan beberapa tahapan yaitu Convert Emoticon, Cleansing, Case Folding, Convert Negation, Tokenizing, Stemming. Adapun hasil uji coba menunjukkan bahwa perangkat lunak memiliki penilaian fungsi-fungsi yang ada pada sistem ini yaitu 89,26% sistem dapat berjalan. Kata Kunci: Pemain Sepak Bola, Berkualitas, Naïve Bayes Classifier 1. PENDAHULUAN 1.1 Pendahuluan Jumlah pemain sepak bola dalam menentukan kriteria yang diinginkan melalui proses seleksi harus secara langsung serta melewati beberapa tahapan. Tahapan tersebut antara lain yaitu observasi langsung terhadap pemain, memantau dari rekaman pertandingan, membaca informasi pemain dari media, melihat data statisitik dan sejarah pemain. Hal ini tentu memerlukan waktu dan tenaga yang digunakan. Pemanfaatan informasi berbasis internet memungkinkan pencarian terhadap pemain sepak bola menjadi lebih mudah dan cepat dalam mendapatkan data yang diperlukan. Di sisi lain dengan menggunakan informasi berbasis internet akan memberikan suatu keuntungan dari segi waktu menjadi lebih efisien dan tenaga yang digunakan tidak terlalu banyak. Perpaduan antara Information Retrieval dengan Analisis Sentimen sebagai metode yang digunakan pada proses pemilihan pemain berkualitas di Indonesia diharapkan mampu memberikan rekomendasi terbaik. Ini merupakan alternatif lain pada proses seleksi dalam pencarian pemain sepak bola berkualitas di Indonesia, dengan banyaknya jumlah pemain sepak bola yang aktif bermain oleh karena itu diperlukan sistem temu balik informasi (information retrieval). Information Retrieval adalah sebuah metode untuk mengambil data terstruktur yang tersimpan dalam koleksi dokumen, kemudian menyediakan informasi yang diperlukan. Tujuan dari sistem Information Retrieval adalah untuk mengambil dan menampilkan dokumen yang relevan dengan pengguna (query). Penggunaan Information Retrieval diharapkan mampu melakukan pencarian pemain sepak bola yang berkualitas sesuai dengan kebutuhan tim maupun keinginan dari pelatih di dalam suatu tim dalam mengumpulkan data terkait dengan biodata pemain, serta dengan menggunakan analisis sentimen maka proses seleksi melibatkan publik untuk memberi penilaian terhadap seorang pemain sepak bola yang dianggap populer dan berbakat dalam arti lain berkualitas dan memberi suatu rekomendasi kepada pelatih untuk dapat memilih pemain sepak bola berkualitas. Pada penelitian sebelumnya mengenai Klasifikasi Data Forum dengan menggunakan Metode Naïve Bayes Classifier. Naïve Bayes Classifier adalah metode klasifikasi yang berdasarkan probabilitas dan Teorema Bayesian. Dengan Naïve Bayes Classifier, diperoleh hasil akurasi kebenaran melakukan klasifikasi terhadap 15 data uji sebesar 73%. Pada penelitian ini, pengukuran efektivitas klasifikasi dengan menggunakan Confusion Matrix dengan cara menentukan nilai TP, TN, FP, dan FN. Dalam dunia pendidikan sebuah komunikasi sangat penting sebagai penunjang pembelajaran, baik komunikasi antara dosen dan mahasiswa maupun antar mahasiswa itu sendiri. Sampai saat ini, komunikasi atau diskusi yang biasa dilakukan masih banyak yang melalui tatap muka atau bertemu secara langsung. Diskusi yang dilakukan melalui tatap muka masih terdapat kekurangan-kekurangannya, antara lain: sibuk atau padatnya jadwal dosen sehingga membuat mahasiswa harus antri atau menunggu jika ada sesuatu yang ingin didiskusikan, tentu saja ini akan membuang waktu, segan atau takutnya mahasiswa untuk bertemu dengan dosen secara langsung, dan lain sebagainya. 484
2 Salah satu cara untuk mengubah gaya berdiskusi antara dosen dan mahasiswa maupun antar mahasiswa itu sendiri yaitu dengan membuatkan sebuah media komunikasi yaitu forum. Di dalam forum itu sendiri terdapat beberapa kelas (kategori) dengan tujuan untuk memudahkan mahasiswa dalam mencari informasi terkait dengan tugas-tugas matakuliah maupun dalam pembuatan skripsi/tugas akhir, untuk menghasilkan pengkategorian data forum yang tepat yaitu dengan melakukan proses klasifikasi terhadap pertanyaan atau pernyataan yang dituliskan oleh pengguna. Dalam penelitian ini, digunakan metode Naïve Bayes Classifier untuk melakukan klasifikasi otomatis berdasarkan pertanyaan atau pernyataan yang dimasukkan oleh pengguna. Untuk mengukur akurasi klasifikasi data forum, penulis menggunakan Confusion Matrix [3]. Penelitian lainnya mengenai Penerapan Metode Naïve Bayes untuk Sistem Klasifikasi SMS Pada Smartphone Android. SMS merupakan media komunikasi yang paling sering digunakan walaupun sekarang Ponsel telah memiliki berbagai media komunikasi aplikasi Messenger. Maraknya aksi penipuan sekarang ini membuat masyarakat semakin tidak nyaman dengan menggunakan SMS. Maka aplikasi SMS spam ini yang fiturnya dapat menggolongkan atau melakukan klasifikasi suatu SMS mana yang termasuk SMS spam dan bukan spam secara otomatis. Dengan pemilihan metode Naïve Bayes untuk melakukan proses klasifikasi diharapkan dapat dilakukan klasifikasi SMS dengan tingkat keakuratan yang tinggi sehingga spam SMS dapat teridentifikasi dengan baik. Metodologi pengembangan sistem menggunakan Microsoft Solutions Framework (MSF) [4]. 1.2 Landasan Teori Information Retrieval Pada penelitian tentang Implementasi Metode Generalized Vector Space Model Pada Aplikasi Information Retrieval. Algoritma Generalized Vector Space Model yang dibahas menggunakan konsep ruang vektor. Masukan dari pengguna dan kumpulan dokumen diterjemahkan menjadi vektor-vektor, kemudian vektor-vektor tersebut dikenakan operasi perkalian titik dan hasilnya menjadi acuan dalam menentukan relevansi masukan pengguna (query) terhadap kumpulan dokumen. Pada aplikasi Information Retrieval ini terdapat dua proses operasi, proses pertama dimulai dari koleksi dokumen dan proses kedua dimulai dari query yang dimasukkan oleh pengguna. Setiap dokumen yang berada pada document collection (folder file) akan dibaca oleh sistem. Dokumendokumen yang dapat dibaca oleh sistem berformat *.doc, *.docx, dan *.pdf. Output dari sistem Information Retrieval ini adalah list dokumen yang sesuai dengan pencarian yang dimasukan oleh pengguna, list yang ditampilkan dimulai dari dokumen yang memiliki bobot tertinggi yang sesuai dengan tingkat kemiripan dengan query hingga bobot dokumen yang terendah. setiap list dapat dilihat sebagai preview dan juga dapat dilihat dengan membuka dokumen tersebut menggunakan aplikasi microsoft word untuk dokumen yang berformat *.doc dan *.docx sedangkan dokumen yang berformat *.pdf dapat dijalankan dengan menggunakan aplikasi pdf reader [5] Analisis Sentimen Pada penelitian tentang Analisis Sentimen terhadap Acara Televisi Berdasarkan Opini Publik. Data yang digunakan berbentuk tweet yang diambil langsung memanfaatkan API twitter. Dalam penelitian ini yang dimaksud dengan fitur adalah kata kunci yang akan menjadi parameter satuan data latih, yaitu dokumen (tweet) untuk diklasifikasikan ke dalam kelas yang telah ditentukan (positif atau kelas negatif). Dalam kata lain fitur adalah kata yang memiliki nilai sentimen. Setelah dibentuk fitur dengan kemunculannya dari data latih. Selanjutnya menghitung probabilitas dari setiap kelas. Setelah didapat probabilitas dari setiap kelas, selanjutnya menghitung probabilitas setiap fitur pada setiap kelas. Berdasarkan pada hasil penelitian yang telah dilakukan terlihat bahwa algoritma naïve bayes dapat melakukan klasifikasi suatu opini yang berupa tweet ke dalam dua kelas yaitu positif dan negatif dengan akurat. Tingkat keakurasian dari melakukan klasifikasi tersebut sangat dipengaruhi oleh proses training, sehingga dapat disimpulkan dari hasil proses klasifikasi yang disajikan dalam bentuk grafik dapat terlihat dengan jelas informasi sentimen publik terhadap suatu acara televisi dan dapat dijadikan sebagai referensi untuk menonton acara televisi [1] Naive Bayes Classifier Naive Bayes Classifier merupakan salah satu metode machine learning yang menggunakan perhitungan probabilitas. Konsep dasar yang digunakan oleh Bayes adalah Teorema Bayes, yaitu melakukan klasifikasi dengan melakukan perhitungan nilai probabilitas. Klasifikasi dilakukan untuk menentukan kategori dari suatu dokumen. Sebuah keuntungan dari Naïve Bayes Classifier adalah bahwa akan hanya membutuhkan sejumlah kecil data pelatihan untuk memperkirakan parameter (sarana dan varians dari variabel-variabel) yang diperlukan untuk klasifikasi. Karena variabel 485
3 independen diasumsikan, hanya varians dari variabel untuk masing-masing kelas harus ditentukan dan tidak seluruh matriks kovariansi. Terdapat tujuh tahap pada pre-processing yang ada di metode Naïve Bayes Classifier. Tahapan pertama Convert Emoticon merupakan salah satu cara pengungkapan ekspresi perasaan secara tekstual. Tahap kedua Cleansing merupakan proses membersihkan kata-kata yang tidak diperlukan untuk mengurangi noise. Tahap ketiga Case Folding merupakan tahapan merubah bentuk kata-kata menjadi sama bentuknya, baik semuanya menjadi lower case ataupun menjadi upper case. Tahap keempat Convert Negation seperti halnya ilmu matematika, dalam bahasa terdapat kata yang dapat membalikan arti dari kata tersebut atau bersifat negasi. Tahap kelima Tokenizing bekerja untuk mengidentifikasi kata-kata dalam teks menjadi beberapa urutan yang terpotong oleh spasi atau karakter spesial. Tahap keenam Stopping berperan untuk membuang kata-kata yang sering muncul dan bersifat umum, kurang menunjukkan relevansinya dengan teks. Tahap ke tujuh Stemming adalah tahapan untuk membuat kata yang berimbuhan kembali ke bentuk asalnya [2]. Naive Bayes Classifier menganggap sebuah dokumen sebagai kumpulan dari kata-kata yang menyusun dokumen tersebut, dan tidak memperhatikan urutan kemunculan kata pada dokumen, sehingga perhitungan probabilitas dapat dianggap sebagai hasil perkalian dari probabilitas kemunculan kata-kata pada dokumen. Perhitungan Naïve Bayes Classifier dapat dilakukan dengan persamaan 2.1 sampai dengan 2.3 (2.1) adalah nilai kemunculan kata adalah jumlah dokumen yang memiliki kategori adalah jumlah seluruh training dokumen Untuk penentuan kategori dokumen : (2.3) adalah kategori yang memiliki nilai probabilitas kemunculan adalah nilai maksimal dari seluruh data training 2. PEMBAHASAN DAN HASIL 2.1 Analisis Sistem Berjalan Analisis sistem berjalan menjelaskan alur kegiatan yang sedang berjalan saat ini dalam melakukan pemilihan pemain sepak bola yang bertujuan untuk menentukan kategori pemain sepak bola berkualitas di Indonesia. Pertama, pelatih mengumpulkan data pemain sepak bola dari berbagai klub untuk proses penyeleksian. Setelah itu staff kepelatihan mencatat data pemain sepak bola dari usulan pelatih. Setelah mencatat data pemain sepak bola lalu staff kepelatihan membuat catatan dokumen berupa laporan daftar pemain sepak bola serta melakukan proses seleksi terhadap pemain sepak bola. Proses seleksi tersebut antara lain yaitu observasi langsung terhadap pemain, melihat data statistik dan sejarah pemain, memantau dari rekaman pertandingan, membaca informasi dari media. Kemudian setelah melewati tahapan pada proses seleksi akan menghasilkan suatu rekomendasi hasil seleksi secara keseluruhan. Alur kegiatan tersebut dapat dilihat pada Gambar 1. pada kategori kategori adalah jumlah keseluruhan kata pada jumlah keseluruhan kata/fitur yang digunakan Dan (2.2) Gambar 1 Flowmap sistem yang sedang berjalan 486
4 2.2 Perancangan Sistem Pada perancangan sistem akan dijelaskan perangkat lunak yang akan dibangun, yaitu sebuah perangkat lunak yang dapat membantu dalam melakukan pemilihan pemain sepak bola yang bertujuan untuk menentukan ke dalam kategori pemain sepak bola berkualitas di Indonesia, dengan memanfaatkan data pemain sepak bola di beberapa situs media online, di mana data tersebut akan menjadi acuan dalam mencari infomasi terkait dalam hal pemilihan pemain sepak bola berkualitas di Indonesia. Aktor yang berperan di sistem yaitu Staff Kepelatihan, untuk dapat memperoleh informasi tersebut dibutuhkan data pemain sepak bola antara lain berupa nama pemain dan posisi. Hal tersebut bertujuan agar memudahkan pelatih dalam melakukan pemilihan pemain sepak bola berkualitas di Indonesia. Berikut merupakan proses umum dari perangkat lunak dalam pemilihan pemain sepak bola berkualitas di Indonesia, diantaranya adalah: a. Proses input data pemain sepak bola. b. Proses filtering dalam pengelompokan kategori pemain sepak bola. c. Proses perhitungan bobot dalam menentukan pemain sepak bola yang termasuk ke dalam kategori berkualitas sebagai suatu rekomendasi. Naïve bayes classifier adalah penggolong menggunakan statistik sederhana berdasarkan teorema bayes yang mengasumsikan bahwa keberadaan atau ketiadaan dari suatu fitur tertentu dari suatu kelas tidak berhubungan dengan keberadaan atau ketiadaan fitur lainnya. Sifatnya yang sebagai model probabilitas, naïve bayes classifier bisa dilatih dengan efisien sebagai supervised learning. Pada pengaplikasiannya, parameter estimasi untuk model naïve bayes menggunakan metode kemungkinan maksimum. Dengan kata lain, masih dapat bekerja dengan model naïve bayes tanpa harus mempedulikan Bayesian probabilitas atau metode bayesian lainnya. Pada penelitian ini input yang digunakan yaitu nama pemain dan posisi. Kemudian kedua kriteria tersebut akan melewati tahap preprocessing data yang ada pada metode Naïve Bayes Classifier antara lain Convert Emoticon, Cleansing, Case Folding, Convert Negation, Tokenizing, Stopping, Stemming. Setelah itu masuk pada tahap proses utama yang terbagi menjadi 4 tahapan. Tahap pertama, melakukan pencarian terhadap subjek nama pemain sepak bola dengan artikel yang terkait. Tahap kedua, menghitung bobot secara keseluruhan berdasarkan sentimen yang ada dalam artikel. Tahap ketiga, membandingkan jumlah total sentimen dari setiap pemain. Tahap keempat, mengurutkan rating tertinggi sampai rating terendah yang diperoleh pemain dari sentimen yang didapat. Output akan berupa rekomendasi 11 pemain berdasarkan hasil analisa sentimen. Gambaran umum sistem secara rinci, untuk lebih jelasnya dapat dilihat pada Gambar 2. Gambar 2 Gambaran Umum Sistem Hasil analisis yang dapat disimpulkan dari perancangan sistem antara lain: a. User/Aktor yang digunakan hanya 1 (satu) yaitu staff kepelatihan. b. Proses yang diubah berfokus pada tahap seleksi menjadi proses seleksi dengan menggunakan metode Naive Bayes Classifier. c. Output dari sistem berupa hasil rekomendasi daftar pemain sepak bola yang akan menempati suatu daftar pola formasi. d. Data yang digunakan dalam penelitian ini meliputi 50 pemain sepak bola dan 80 artikel tentang sepak bola dari situs Goal.com e. Business Use Case yang akan digunakan meliputi menu Kelola Informasi, Kelola Klasifikasi, Kelola Berita, Pemilihan Pemain, dan Line Up Pemain. f. Class Diagram, pada setiap kelas ini yaitu: 1) Kelola Informasi memiliki attribut no, nama, usia, klub, posisi. Operasi yang berfungsi tambah pemain, edit, hapus. 2) Kelola Klasifikasi memiliki attribut no, kata, klasifikasi. Operasi yang berfungsi tambah kata, edit, hapus. 3) Kelola Berita memiliki attribut no, judul. Operasi yang berfungsi tambah berita, lihat, hapus. 487
5 4) Pemilihan Pemain memiliki attribut posisi, nama pemain. Operasi yang berfungsi proses, batal. 5) Line Up Pemain memiliki attribut formasi. Operasi yang berfungsi proses, batal. 2.3 Use Case Diagram Use case diagram adalah diagram yang menggambarkan fungsi yang dapat dijalankan dalam sebuah sistem terhadap aktor, interaksi antara aktor terhadap sistem akan digambarkan pada use case diagram. Pada sistem yang akan dibangun terdapat satu aktor yang akan berinteraksi dengan sistem yaitu staff kepelatihan, aktor tersebut dapat berinteraksi dengan sistem melalui fungsi - fungsi seperti yang ada pada Gambar 3. Gambar 3 Use case diagram sistem pemilihan pemain sepak bola berjalan optimal. Apalagi kita tanpa Dutra. 4 Waktu Piala Presiden kita pinjam beberapa pemain dari Semen Padang. 5 Fabiano Beltrame senang dengan minat Persib Bandung merekrut dirinya. Negatif Positif Tabel 2 Konversi Emoticon No Emoticon Konversi 1 :) :-) :3 =) :> e_happy 2 :D >:D B-D XD =D e_laught 3 :( : ( :-( :[ >.< e_sad 4 :P :-P X-P :b :p e_tongue 5 :O :-O >:o e_shock 6 : :- :/ :S =/ e_straightface Tabel 3 Konversi Kata Negasi No Kata Konversi 1 Tdk Tidak 2 G Tidak 3 Gg Tidak 4 Gag Tidak 5 Gug Tidak 6 Enggak Tidak 7 Tak Tidak 8 Bkn Bukan 9 Jgn Jangan 10 Ngga Tidak 11 Blh Boleh 12 Y Ya 13 Yg Yang 14 Yup Ya 15 Bnr Benar 2.4 Dataset Tabel 1 Teks Uji No Teks Kategori 1 Dalam saat sesi tanya jawab, pemain Mitra Kukar, Rahmad Affandi, berharap agar kompetisi liga bergulir lagi. Namun Jokowi Positif kembali hanya menegaskan, pertengahan November ini dipastikan ada turnamen lagi 2 Perhelatan Piala Presiden 2015 sudah selesai, untuk sementara tak ada kompetisi atau turnamen Negatif sepakbola profesional yang bergulir di Indonesia. Situasi yang tak menguntungkan ini membuat resah para pemain, tak terkecuali bek asing Persib, Vladimir Vujovic 3 Hasil evaluasi setelah main di Negatif Bali, skema defense belum 2.5 Perhitungan Nilai Probabilitas Tabel 4 Frekuensi Kemunculan Kata Pada Teks 1 (Kategori Positif) No Kata Frekuensi Positif Frekuensi Negatif 1 berharap kompetisi liga bergulir namun jokowi hanya menegaskan pertengahan november ini dipastikan ada turnamen
6 Setelah mendapatkan nilai probabilitas kata pada setiap kategori, kemudian hitung nilai probabilitas kategori dengan menggunakan rumus P(Vj) = Jumlah dokumen setiap kategori/total dokumen. Diketahui : Jumlah teks Positif = 5 Jumlah teks Negatif = 0 Jumlah teks = 5 Sehingga didapatkan : P(Positif) = 5/5 = 1 P(Negatif) = 0/5 = Tahap Klasifikasi Naïve Bayes Classifier Tabel 5 Frekuensi Kemunculan Kata (Teks Uji 1) Kata Frekuensi berharap 1 kompetisi 1 liga 1 bergulir 1 namun 1 jokowi 1 hanya 1 menegaskan 1 pertengahan 1 november 1 ini 1 dipastikan 1 ada 1 turnamen 1 Dari tabel 5 didapat frekuensi kemunculan kata pada dokumen baru. Kemudian hitung nilai probabilitas pada setiap kategori dengan menghitung nilai probabilitas setiap kata. Perhitungan yang dilakukan menggunakan persamaan: P(wkj Ci) = (f kata pada kategori Ci+1) / (Frekuensi kategori Ci + Jumlah kata pada dokumen test). a. Kategori Positif P(bergulir Positif) = 0,024 P(menegaskan Positif) = 0,024 P(dipastikan Positif) = 0,024 P(ada Positif) = 0,024 P(turnamen Positif) = 0,024 P( Positif) = 0,024* 0,024*0,024*0,024*0,024 = 0, Nilai Probabilitasnya = P(Positif) * P( Positif) = 0,4 * 0, = 0, = 3,184*10-9 b. Kategori Negatif P(bergulir Negatif) = 0,029 P(menegaskan Negatif) = 0,029 P(dipastikan Negatif) = 0,029 P(ada Negatif) = 0,029 P(turnamen Negatif) = 0,029 P( Positif) = 0,029*0,029*0,029*0,029*0,029 = 0, Nilai Probabilitasnya = P(Positif) * P( Positif) = 0,5 * 0, = 0, = 1,026*10-8 Dari perhitungan di atas dapat disimpulkan bahwa kategori dari teks uji 1 yaitu termasuk kategori positif, karena nilai probabilitas teks uji 1 pada kategori positif (3,184*10-9 ) lebih besar dari nilai probabilitas teks pada kategori negatif (1,026*10-8 ). 2.7 Tampilan Program Gambar 4 Tampilan halaman login Gambar 5 Tampilan form Pemilihan Pemain Gambar 6 Tampilan form Line Up Pemain 489
7 fungsi dapat berjalan sesuai dengan yang diharapkan. Gambar 7 Tampilan hasil dari Pemilihan Pemain Gambar 8 Tampilan hasil dari Line Up Pemain 3. KESIMPULAN 3.1 Kesimpulan Pada penelitian ini menghasilkan sistem yang dapat merekomendasikan 11 pemain sepak bola berkualitas dan terbaik berupa pola strategi dalam formasi. Dalam penelitian ini digunakan 2 kriteria yaitu nama pemain dan posisi. Dimana kriteria tersebut dipadukan dengan artikel yang tersedia di situs internet. Data yang digunakan dalam penelitian ini berjumlah 120 artikel dan 70 pemain sepak bola, serta menggunakan metode Naïve Bayes Classifier sebagai penggolong statistik sederhana berdasarkan teorema bayes. Ketepatan dalam menentukan kategori pada dokumen dipengaruhi oleh data latih pada setiap kategori. Data latih ini berisi kata positif dan negatif dari masing-masing kategori atau kata-kata yang dapat mewakili kategori tertentu. Tetapi banyaknya kata pada data latih dapat menyebabkan menurunnya tingkat kecepatan sistem dalam memproses data, itu dikarenakan sistem harus memeriksa setiap kata pada data latih dari masingmasing kategori yang ada pada sistem. Sedangkan untuk fungsi-fungsi yang ada pada sistem ini dapat berjalan sesuai dengan apa yang diharapkan, itu semua dapat dilihat dari hasil implementasi dan pengujian pada bab IV, dengan hasil persentase 89,26% 3.2 Saran Saran-saran yang dikemukakan diharapkan dapat lebih meningkatkan hasil yang telah didapatkan. Berikut beberapa saran yang disampaikan sebagai masukan untuk penelitian selanjutnya. a. Jumlah data yang diolah diharapkan lebih banyak dari yang sebelumnya, agar dapat memberikan informasi pendukung yang mampu membantu dalam menangani kendala yang ada dalam pencarian terhadap pemain sepak bola. b. Pada kategori klasifikasi kata diharapkan memiliki unsur kata yang sering muncul di dalam suatu artikel atau berita, sehingga proses yang dapat dilakukan dengan menggunakan metode lain bisa menghasilkan persentase angka yang maksimal. c. Proses dalam hasil pencarian pemilihan pemain dan penentuan line up formasi membutuhkan waktu yang cukup lama tergantung dengan banyaknya data yang diolah. 4. PUSTAKA [1] Aditia Rakhmat Sentiaji, Adam Mukaharil Bachtiar, Analisis Sentimen Terhadap Acara Televisi Berdasarkan Opini Publik, Jurnal Ilmiah Komputer dan Informatika (KOMPUTA) ISSN : [2] B. Pang dan L. Lee, Opinion Mining and Sentiment Analysis, Foundation and Trends In Information Retrieval, Jurnal Informatika, vol. 2, p. 10, 2008 [3] Indriani, Aida, Klasifikasi Data Forum dengan menggunakan Metode Naïve Bayes Classifier Program Studi Teknik Informatika, STMIK PPKIA Tarakanita Rahmawati, Jurnal Informatika, Seminar Nasional Aplikasi Teknologi Informasi (SNATI) Yogyakarta, 21 Juni 2014 ISSN: [4] Ebranda A.W, Mardiani, Tinaliah, Penerapan Metode Naïve Bayes Untuk Sistem Klasifikasi SMS Pada Smartphone Android Jurusan Teknik Informatika, STMIK MDP, Jurnal Informatika [5] Jasman Pardede, Mira Musrini Barmawi, Wildan Denny Pramono, Implementasi Metode Generalized Vector Space Model Pada Aplikasi Information Retrieval, Jurnal Informatika, No.1, Vol. 4, Januari April 2013 ISSN:
8 [6] Saraswati, Ni Wayan S., 2011, Text Mining dengan Metode Naïve Bayes Classifier dan Support Vector Machine Untuk Sentimen Analysis, Tesis - Universitas Udayana, Tesis Magister Program Studi Teknik Elektro Program Pascasarjana, Denpasar BIODATA PENULIS 1. Wina Witanti Dosen Jurusan Informatika FMIPA Unjani 2. Herry Rahmanto Alumni Jurusan Informatika FMIPA Unjani 3. Faiza Renaldi Dosen Jurusan Informatika FMIPA Unjani 491
ANALISIS SENTIMEN JASA EKSPEDISI BARANG MENGGUNAKAN METODE NAÏVE BAYES
F.4 ANALISIS SENTIMEN JASA EKSPEDISI BARANG MENGGUNAKAN METODE NAÏVE BAYES Raflialdy Raksanagara*, Yulison Herry Chrisnanto, Asep Id Hadiana Jurusan Informatika, Fakultas Matematika dan Ilmu Pengetahuan
Lebih terperinciTEXT MINING DALAM ANALISIS SENTIMEN ASURANSI MENGGUNAKAN METODE NAÏVE BAYES CLASSIFIER
F.7 TEXT MINING DALAM ANALISIS SENTIMEN ASURANSI MENGGUNAKAN METODE NAÏVE BAYES CLASSIFIER Luthfia Oktasari *, Yulison Herry Chrisnanto, Rezki Yuniarti Program Studi Informatika, Fakultas Matematika dan
Lebih terperinciBAB I PENDAHULUAN 1.1 Latar Belakang
BAB I PENDAHULUAN 1.1 Latar Belakang Meningkatnya perkembangan teknologi juga diikuti dengan berkembangnya penggunaan berbagai situs jejaring sosial. Salah satu jejaring sosial yang sangat marak digunakan
Lebih terperinciBAB 3 ANALISIS MASALAH DAN PERANCANGAN
BAB 3 ANALISIS MASALAH DAN PERANCANGAN 3.1 State of the Art Pada penelitian sebelumnya sudah ada yang menggunakan metode Stemming untuk preprocessing text dalam mengolah data pelatihan dan data uji untuk
Lebih terperinciANALISIS SENTIMEN PADA JASA OJEK ONLINE MENGGUNAKAN METODE NAÏVE BAYES
Analisis Sentimen pada Jasa Ojek Online... (Nugroho dkk.) ANALISIS SENTIMEN PADA JASA OJEK ONLINE MENGGUNAKAN METODE NAÏVE BAYES Didik Garbian Nugroho *, Yulison Herry Chrisnanto, Agung Wahana Jurusan
Lebih terperinciBAB 1 PENDAHULUAN 1.1 Latar Belakang Masalah 1.2 Hipotesis
BAB 1 PENDAHULUAN 1.1 Latar Belakang Masalah Setiap matakuliah memiliki silabus perkuliahan yang berisi materi-materi mengenai matakuliah tersebut. Silabus disusun berdasarkan buku-buku referensi utama
Lebih terperinciKLASIFIKASI DATA PENGADUAN MASYARAKAT PADA LAMAN PESDUK CIMAHI MENGGUNAKAN ROCCHIO
F.15 KLASIFIKASI DATA PENGADUAN MASYARAKAT PADA LAMAN PESDUK CIMAHI MENGGUNAKAN ROCCHIO Khusnul Khuluqiyah *, Tacbir Hendro Pudjiantoro, Agung Wahana Program Studi Informatika, Fakultas Matematika dan
Lebih terperinciTugas Makalah. Sistem Temu Kembali Informasi (STKI) TI Implementasi Metode Generalized Vector Space Model Pada Information Retrieval System
Tugas Makalah Sistem Temu Kembali Informasi (STKI) TI029306 Implementasi Metode Generalized Vector Space Model Pada Information Retrieval System Oleh : I PUTU ANDREAS WARANU 1204505042 Dosen : I Putu Agus
Lebih terperinciBAB I PENDAHULUAN.
BAB I PENDAHULUAN 1.1. Latar Belakang Saat ini smartphone telah berevolusi menjadi komputer pribadi kecil dan portabel yang memungkinkan pengguna untuk melakukan penjelajahan internet, mengirim e-mail
Lebih terperinciUKDW 1. BAB 1 PENDAHULUAN Latar Belakang Masalah
1. BAB 1 PENDAHULUAN 1.1. Latar Belakang Masalah Universitas yang baik dan terpercaya selalu memperhatikan perkembangan dan kondisi yang terjadi di universitas tersebut, salah satunya dengan memantau kinerja
Lebih terperinciTugas Makalah. Sistem Temu Kembali Informasi (STKI) TI Implementasi Metode Generalized Vector Space Model Pada Information Retrieval System
Tugas Makalah Sistem Temu Kembali Informasi (STKI) TI029306 Implementasi Metode Generalized Vector Space Model Pada Information Retrieval System Oleh : I PUTU ANDREAS WARANU 1204505042 Dosen : I Putu Agus
Lebih terperinciANALISIS SENTIMEN TERHADAP TEMPAT WISATA DARI KOMENTAR PENGUNJUNG DENGAN MENGGUNAKAN METODE NAÏVE BAYES CLASSIFIER STUDI KASUS JAWA BARAT
ANALISIS SENTIMEN TERHADAP TEMPAT WISATA DARI KOMENTAR PENGUNJUNG DENGAN MENGGUNAKAN METODE NAÏVE BAYES CLASSIFIER STUDI KASUS JAWA BARAT Lio Wilianto 1*, Tacbir Hendro Pudjiantoro 1, Fajri Rakhmat Umbara
Lebih terperinciKLASIFIKASI HELPDESK UNIVERSITAS JENDERAL ACHMAD YANI MENGGUNAKAN CONCEPT FREQUENCY-INVERSE DOCUMENT FREQUENCY (CF-IDF) DAN K-NEAREST NEIGHBORS (K-NN)
Klasifikasi Helpdesk Universitas Jenderal Achmad ni... (Herawan dkk.) KLASIFIKASI HELPDESK UNIVERSITAS JENDERAL ACHMAD YANI MENGGUNAKAN CONCEPT FREQUENCY-INVERSE DOCUMENT FREQUENCY (CF-IDF) DAN K-NEAREST
Lebih terperinciBAB I PENDAHULUAN. penunjang Al-Quran untuk memudahkan untuk mempelajarinya, yang bisa
BAB I PENDAHULUAN 1.1 Latar Belakang Masalah Dengan kemajuan teknologi yang sangat pesat ini sudah banyak aplikasi penunjang Al-Quran untuk memudahkan untuk mempelajarinya, yang bisa disebut atau di artikan
Lebih terperinciAgus Soepriadi, 2 Meta Permata. Jurusan Teknik Informatika, STMIK Bandung, Bandung, Indonesia
Jurnal Teknologi Informasi dan Komunikasi Vol. 4 No, Juni 05 SENTIMENT ANALYSIS UNTUK MENILAI KEPUASAN MASYARAKAT TERHADAP KINERJA PEMERINTAH DAERAH MENGGUNAKAN NAIVE BAYES CLASSIFIER (STUDI KASUS: WALIKOTA
Lebih terperinciBAB III METODELOGI PENELITIAN
BAB III METODELOGI PENELITIAN 3.1 Metode Penelitian Metode penelitian yang digunakan yaitu metode eksperimental dimana metode ini bekerja dengan memanipulasi dan melakukan kontrol pada objek penelitian
Lebih terperinciBAB I PENDAHULUAN 1.1 Latar Belakang
BAB I PENDAHULUAN 1.1 Latar Belakang Menurut Liu opini merupakan pernyataan subyektif yang mencerminkan sentimen orang atau persepsi tentang entitas dan peristiwa [1]. Opini atau pendapat orang lain terhadap
Lebih terperinciKLASIFIKASI KECENDERUNGAN PENYAKIT MATA DI JAWA BARAT DENGAN ASSOCIATION RULE DAN NAÏVE BAYES CLASSIFIER
KLASIFIKASI KECENDERUNGAN PENYAKIT MATA DI JAWA BARAT DENGAN ASSOCIATION RULE DAN NAÏVE BAYES CLASSIFIER Zillan Taufiq Budiman 1), Wina Witanti 2), Dian Nursantika 3) 1), 2), 3) Informatika Universitas
Lebih terperinciBAB I PENDAHULUAN 1.1 Latar Belakang
BAB I PENDAHULUAN 1.1 Latar Belakang Pendidikan merupakan salah satu aspek penting di dalam kehidupan. Oleh karena itu, pendidikan mendapat perhatian besar dalam kehidupan masyarakat dan negara. Pendidikan
Lebih terperinciBAB II TINJAUAN PUSTAKA
BAB II TINJAUAN PUSTAKA 2.1. Penelitian Terkait 2.1.1. Implementasi Opinion Mining Pernah dilakukan penelitian tentang opinion mining membahas tentang ekstraksi data opini publik pada perguruan tinggi.
Lebih terperinciOleh: ARIF DARMAWAN NIM
APLIKASI PENGKLASIFIKASIAN DOKUMEN INFO PADA TWITTER MENGGUNAKAN ALGORITMA NAIVE BAYES TUGAS AKHIR Sebagai Persyaratan Guna Meraih Gelar Sarjana Strata 1 Teknik Informatika Universitas Muhammadiyah Malang
Lebih terperinciBAB 1 PENDAHULUAN. 1.1 Latar Belakang Masalah
BAB 1 PENDAHULUAN 1.1 Latar Belakang Masalah Sumber opini teks saat ini tersedia berlimpah di internet akan tetapi belum sepenuhnya dimanfaatkan karena masih kurangnya tool yang ada, sedangkan perkembangan
Lebih terperinciKLASIFIKASI ARTIKEL BERITA MENGGUNAKAN METODE TEXT MINING DAN NAIVE BAYES CLASSIFIER
KLASIFIKASI ARTIKEL BERITA MENGGUNAKAN METODE TEXT MINING DAN NAIVE BAYES CLASSIFIER Ira Anggraeni Setiawan 1), Tacbir Hendro P 2), Dian Nursantika 3) 1),2),3 ) Informatika, Universitas Jenderal Achmad
Lebih terperinciBAB II LANDASAN TEORI
BAB II LANDASAN TEORI 2.1 Data Mining Data Mining adalah proses yang mempekerjakan satu atau lebih teknik pembelajaran komputer (machine learning) untuk menganalisis dan mengekstraksi pengetahuan (knowledge)
Lebih terperinciAnalisis Sentimen Pada Data Twitter dengan Menggunakan Text Mining terhadap Suatu Produk
Analisis Sentimen Pada Data Twitter dengan Menggunakan Text Mining terhadap Suatu Produk Eka Retnawiyati 1, Fatoni, M.M.,M.Kom 2., Edi Surya Negara, M.Kom 3 1) Mahasiswa Informatika Universitas Bina Darma
Lebih terperinciIMPLEMENTASI ALGORITMA SUPPORT VECTOR MACHINE (SVM) UNTUK ANALISA SENTIMEN PADA KALIMAT OPINI BERBAHASA INDONESIA TUGAS AKHIR
IMPLEMENTASI ALGORITMA SUPPORT VECTOR MACHINE (SVM) UNTUK ANALISA SENTIMEN PADA KALIMAT OPINI BERBAHASA INDONESIA TUGAS AKHIR Sebagai Persyaratan Guna Meraih Gelar Sarjana Strata 1 Teknik Informatika Universitas
Lebih terperinciBAB I PENDAHULUAN 1.1 Latar Belakang
BAB I PENDAHULUAN 1.1 Latar Belakang Informasi telah menjadi kebutuhan utama dalam kehidupan manusia. Informasi bisa dikatakan sebagai pengetahuan yang didapatkan dari pembelajaran, pengalaman, atau instruksi.
Lebih terperinciSISTEM KLASIFIKASI PENYEBARAN PENYAKIT MATA DI JAWA BARAT DENGAN ALGORITMA ITERATIVE DICHOTOMISER 3 DAN NAÏVE BAYES CLASSIFIER
SISTEM KLASIFIKASI PENYEBARAN PENYAKIT MATA DI JAWA BARAT DENGAN ALGORITMA ITERATIVE DICHOTOMISER 3 DAN NAÏVE BAYES CLASSIFIER Wina Witanti 1*, Dian Nursantika 2, Zillan Taufiq Budiman 3 1,2,3 Program
Lebih terperinciJURNAL INFORMATIKA IMPLEMENTASI METODE GENERALIZED VECTOR SPACE MODEL PADA APLIKASI INFORMATION RETRIEVAL
IMPLEMENTASI METODE GENERALIZED VECTOR SPACE MODEL PADA APLIKASI INFORMATION RETRIEVAL Jasman Pardede [1], Mira Musrini Barmawi [2], Wildan Denny Pramono [3] Jurusan Teknik Informatika Institut Teknologi
Lebih terperinciBAB III METODE PENELITIAN
BAB III METODE PENELITIAN 3.1. Metode Pengumpulan Data Data yang digunakan pada penelitian ini merupakan data sentimen dari pengguna aplikasi android yang memberikan komentarnya pada fasilitas user review
Lebih terperinciBAB I PENDAHULUAN. 1.1 Latar Belakang
BAB I PENDAHULUAN 1. 1.1 Latar Belakang Perkembangan dunia telekomunikasi meningkat secara signifikan dalam kurun waktu satu dekade terahir. Tidak hanya dari segi jumlah pengguna, jenis layanan yang ditawarkanpun
Lebih terperinciIMPLEMENTASI ALGORITMA NAÏVE BAYES UNTUK EKSTRAKSI KALIMAT OPINI PADA ARTIKEL BERBAHASA INDONESIA. Tugas Akhir
IMPLEMENTASI ALGORITMA NAÏVE BAYES UNTUK EKSTRAKSI KALIMAT OPINI PADA ARTIKEL BERBAHASA INDONESIA Tugas Akhir Sebagai Persyaratan Guna Meraih Gelar Sarjana Strata 1 Teknik Informatika Universitas Muhammadiyah
Lebih terperinciBAB I PENDAHULUAN 1.1 Latar Belakang
BAB I PENDAHULUAN 1.1 Latar Belakang Selain sebagai media komunikasi, Twitter memberikan akses bagi pihak ketiga yang ingin mengembangkan aplikasi yang memanfaatkan layanannya melalui Twitter API. Salah
Lebih terperinciJURUSAN TEKNIK INFORMATIKA FAKULTAS TEKNIK UNIVERSITAS MUHAMMADIYAH MALANG
KLASIFIKASI ENTERTAINER BERDASARKAN TWEET MENGGUNAKAN METODE SCORING BERBASIS LEXICON BASED TUGAS AKHIR Sebagai Persyaratan Guna Meraih Gelar Sarjana Strata 1 Teknik Informatika Universitas Muhammadiyah
Lebih terperinciBAB II TINJAUAN PUSTAKA
BAB II TINJAUAN PUSTAKA Penelitian terdahulu sangat penting bagi penulis untuk mengetahui referensi dan hubungan antara penelitian terdahulu dengan penelitian yang dilakukan saat ini, sehingga hal duplikasi
Lebih terperinciUKDW BAB 1 PENDAHULUAN. 1.1 Latar Belakang
BAB 1 PENDAHULUAN 1.1 Latar Belakang Tinjauan atau review seseorang yang ditujukan kepada suatu objek atau produk sangat berpengaruh terhadap penilaian publik atas produk tersebut (Sahoo, 2013). Review
Lebih terperinciTEKNIK VECTOR SPACE MODEL (VSM) DALAM PENENTUAN PENANGANAN DAMPAK GAME ONLINE PADA ANAK
F.13 TEKNIK VECTOR SPACE MODEL (VSM) DALAM PENENTUAN PENANGANAN DAMPAK GAME ONLINE PADA ANAK Bania Amburika 1*,Yulison Herry Chrisnanto 1, Wisnu Uriawan 2 1 Jurusan Informatika, Fakultas MIPA, Universitas
Lebih terperinciImplementasi Algoritma Term Frequency Inverse Document Frequency dan Vector Space Model untuk Klasifikasi Dokumen Naskah Dinas
Implementasi Algoritma Term Frequency Inverse Document Frequency dan Vector Space Model untuk Klasifikasi Dokumen Naskah Dinas A. Achmad 1, A. A. Ilham 2, Herman 3 1 Program Studi Teknik Elektro, Jurusan
Lebih terperinciKlasifikasi Berita Lokal Radar Malang Menggunakan Metode Naïve Bayes Dengan Fitur N-Gram
Jurnal Ilmiah Teknologi dan Informasia ASIA (JITIKA) Vol.10, No.1, Februari 2016 ISSN: 0852-730X Klasifikasi Berita Lokal Radar Malang Menggunakan Metode Naïve Bayes Dengan Fitur N-Gram Denny Nathaniel
Lebih terperinciBAB III METODOLOGI PENELITIAN
BAB III METODOLOGI PENELITIAN Metodologi penelitian merupakan rangkaian dari langkah-langkah yang diterapkan dalam penelitian, secara umum dan khusus langkah-langkah tersebut tertera pada Gambar flowchart
Lebih terperinciBAB I PENDAHULUAN Latar Belakang
BAB I PENDAHULUAN 1.1. Latar Belakang Apa yang orang lain pikirkan telah menjadi sesuatu yang penting untuk menjadi pertimbangan dalam pengambilan keputusan (Pang and Lee, 2006). Sesuatu yang orang lain
Lebih terperinciUKDW BAB 1 PENDAHULUAN. 1.1 Latar Belakang Masalah
BAB 1 PENDAHULUAN 1.1 Latar Belakang Masalah Berkembangnya teknologi telah membuat banyak informasi bermunculan. Informasi-informasi tersebut tertuang dalam bentuk dokumen terutama dokumen digital. Semakin
Lebih terperinciBAB I PENDAHULUAN. 1.1 Latar Belakang
BAB I PENDAHULUAN 1.1 Latar Belakang Pertumbuhan media online mendorong munculnya informasi tekstual yang tidak terbatas, sehingga muncul kebutuhan penyajian tanpa mengurangi nilai dari informasi tersebut.
Lebih terperinciBAB I PENDAHULUAN 1.1. Latar Belakang
3 BAB I PENDAHULUAN 1.1. Latar Belakang Semakin banyaknya pengunaan teknologi informasi pada pemerintahan, dapat mempermudah masyarakat dalam pelayanan masyarakat itu sendiri. Seperti misalnya ketika sesorang
Lebih terperinciImplementasi Pengembangan Smart Helpdesk di UPT TIK UNS Menggunakan Algoritma Naive Bayes Classifier
Implementasi Pengembangan Smart Helpdesk di UPT TIK UNS Menggunakan Algoritma Naive Bayes Classifier Wachid Daga Suryono 1, Ristu Saptono 2, Wiranto 3 Program Studi Informatika, Fakultas Matematika dan
Lebih terperinciBAB I PENDAHULUAN 1.1 Latar Belakang
BAB I PENDAHULUAN 1.1 Latar Belakang Kehadiran teknologi web yang interaktif telah merubah cara orang mengekspresikan pandangan dan opininya. Saat ini pengguna dapat menulis ulasan suatu produk pada situs
Lebih terperinciBAB IV HASIL DAN PEMBAHASAN. jenis dokumen, yaitu dokumen training dan dokumen uji. Kemudian dua
BAB IV HASIL DAN PEMBAHASAN 4.1. Dokumen yang digunakan Pada penelitian yang dilakukan oleh penulis ini menggunakan dua jenis dokumen, yaitu dokumen training dan dokumen uji. Kemudian dua jenis dokumen
Lebih terperinciBAB I PENDAHULUAN 1.1. Latar Belakang
BAB I PENDAHULUAN 1.1. Latar Belakang Situs jejaring sosial merupakan gaya hidup sosial baru yang muncul seiring berkembangnya internet. Gaya hidup baru tersebut memiliki ruang lingkup yang lebih luas
Lebih terperinciBAB I PERSYARATAN PRODUK
BAB I PERSYARATAN PRODUK 1.1 PENDAHULUAN Pada saat kita melakukan pencarian melalui search engine (google.com, yahoo, dsb), kita bisa mendapatkan beberapa hasil, yang berupa dokumen - dokumen yang sama
Lebih terperinciIMPLEMENTASI ALGORITMA NAÏVE BAYES UNTUK KLASIFIKASI OPINI PADA DATA TWITTER DENGAN EKSPASI QUERY MENGGUNAKAN PENDEKATAN SINONIM
IMPLEMENTASI ALGORITMA NAÏVE BAYES UNTUK KLASIFIKASI OPINI PADA DATA TWITTER DENGAN EKSPASI QUERY MENGGUNAKAN PENDEKATAN SINONIM Laporan Tugas Akhir Sebagai Persyaratan Guna Meraih Gelar Sarjana Strata
Lebih terperinciPERANCANGAN DAN IMPLEMENTASI SISTEM REKOMENDASI PENCARIAN BUKU PERPUSTAKAAN MENGGUNAKAN METODE VECTOR SPACE MODEL
PERANCANGAN DAN IMPLEMENTASI SISTEM REKOMENDASI PENCARIAN BUKU PERPUSTAKAAN MENGGUNAKAN METODE VECTOR SPACE MODEL (Studi Kasus Perpustakaan Universitas Udayana) LEMBAR JUDUL KOMPETENSI RPL SKRIPSI NI MADE
Lebih terperinciPENERAPAN VECTOR SPACE MODEL UNTUK PERINGKASAN KOMENTAR ANGKET MAHASISWA
PENERAPAN VECTOR SPACE MODEL UNTUK PERINGKASAN KOMENTAR ANGKET MAHASISWA Suprianto 1), Sunardi 2), Abdul Fadlil 3) 1 Sistem Informasi STMIK PPKIA Tarakanita Rahmawati 2,3 Magister Teknik Informatika Universitas
Lebih terperinciBAB I PENDAHULUAN I - 1
BAB I PENDAHULUAN 1.1 Latar Belakang Masalah Dunia pendidikan merupakan dunia yang memerlukan perhatian khusus karena pendidikan merupakan faktor yang sangat mempengaruhi kualitas para calon penerus bangsa
Lebih terperinciJurnal Politeknik Caltex Riau
1 Jurnal Politeknik Caltex Riau http://jurnal.pcr.ac.id IMPLEMENTASI TEXT MINING DALAM KLASIFIKASI JUDUL BUKU PERPUSTAKAAN MENGGUNAKAN METODE NAIVE BAYES Siti Amelia Apriyanti 1), Kartina Diah Kesuma Wardhani
Lebih terperinciJURNAL SENTIMENT ANALYSIS TOKOH POLITIK PADA TWITTER SENTIMENT ANALYSIS POLITICAL LEADERS IN TWITTER
JURNAL SENTIMENT ANALYSIS TOKOH POLITIK PADA TWITTER SENTIMENT ANALYSIS POLITICAL LEADERS IN TWITTER Oleh: AGUNG PRAMONO PUTRO 12.1.03.03.0276 Dibimbing oleh : 1. NURSALIM, S.Pd,. MH 2. ARIE NUGROHO, S.Kom.,
Lebih terperinciBAB I PENDAHULUAN 1.1 Latar Belakang
BAB I PENDAHULUAN 1.1 Latar Belakang Analisis sentimen merupakan proses dalam mengolah, memahami, dan mengekstrak data dalam bentuk teks terhadap suatu topik, kejadian ataupun individu untuk mendapatkan
Lebih terperinciKlasifikasi Data Forum dengan menggunakan Metode Naïve Bayes Classifier
Klasifikasi Data Forum dengan menggunakan Metode Naïve Bayes Classifier Aida Indriani Program Studi Teknik Informatika, STMIK PPKIA Tarakanita Rahmawati Jl. Yos Sudarso 8 Tarakan, Indonesia ditamaniez2014@gmail.com
Lebih terperinci3.1 Desain Penelitian
24 BAB 3 METODOLOGI PENELITIAN BAB III METODOLOGI PENELITIAN 3.1 Desain Penelitian Desain penelitian merupakan tahapan yang akan dilakukan penulis dalam melakukan penelitian. Tahapan penelitian yang digunakan
Lebih terperinciAplikasi Opinion Mining dengan Algoritma Naïve Bayes untuk Menilai Berita Online
Jurnal Integrasi, vol. 6, no. 1, 2014, 1-10 ISSN: 2085-3858 (print version) Article History Received 10 February 2014 Accepted 11 March 2014 Aplikasi Opinion Mining dengan Algoritma Naïve Bayes untuk Menilai
Lebih terperinciABSTRAK. Kata kunci : Information Retrieval system, Generalized Vector Space Model. Universitas Kristen Maranatha
ABSTRAK Information retrieval (IR) system adalah sistem yang secara otomatis melakukan pencarian atau penemuan kembali informasi yang relevan terhadap kebutuhan pengguna. Kebutuhan pengguna, diekspresikan
Lebih terperinciBAB 2 TINJAUAN PUSTAKA
BAB 2 TINJAUAN PUSTAKA Pada tinjauan pustaka ini akan membahas tentang penelitian berita yang menggunakan Text Mining, metode TF-IDF, dan. Yang mana penelitian ini akan mengulas secara lengkap tentang
Lebih terperinciPerbandingan Klasifikasi Tugas Akhir Mahasiswa Jurusan Teknik Informatika Menggunakan Metode Naïve Bayes Classifier dan K-Nearest Neighbor
Perbandingan Klasifikasi Tugas Akhir Mahasiswa Jurusan Teknik Informatika Menggunakan Metode Naïve Bayes Classifier dan K-Nearest Neighbor Yusra 1, Dhita Olivita 2, Yelfi Vitriani 3 1,2,3 Jurusan Teknik
Lebih terperinciBAB III METODOLOGI PENELITIAN
BAB III METODOLOGI PENELITIAN berikut. Tahapan penelitian yang dilakukan dalam penelitian adalah sebagai Indentifikasi Masalah Merumuskan Masalah Study Literatur Perancangan : 1. Flat Teks 2. Database
Lebih terperinciBAB I PENDAHULUAN 1.1 Latar Belakang
BAB I PENDAHULUAN 1.1 Latar Belakang Buku merupakan media informasi yang memiliki peran penting dalam perkembangan ilmu pengetahuan, karena dengan buku kita dapat memperoleh banyak informasi, pengetahuan
Lebih terperinci1. Pendahuluan. 2. Tinjauan Pustaka
1. Pendahuluan Sepakbola telah menjadi salah satu olahraga paling populer di dunia. Di Indonesia olahraga ini juga sangat populer. Ini terbukti dengan animo penduduk Indonesia terhadap olahraga ini baik
Lebih terperinciBandung, Indonesia Bandung, Indonesia
ISSN : 2355-9365 e-proceeding of Engineering : Vol.2, No.2 Agustus 2015 Page 6353 Analisis dan Implementasi Pengklasifikasian Pesan Singkat pada Penyaringan SMS Spam Menggunakan Algoritma Multinomial Naïve
Lebih terperinciSISTEM CUSTOMER RELATIONSHIP MANAGEMENT (CRM) ALUMNI PADA UNIVERSITAS JENDERAL ACHMAD YANI
SISTEM CUSTOMER RELATIONSHIP MANAGEMENT (CRM) ALUMNI PADA UNIVERSITAS JENDERAL ACHMAD YANI Riyadi Reinhard Erinovanto Program Studi Informatika, Fakultas MIPA, Universitas Jenderal Achmad Yani Jln. Terusan
Lebih terperinciBAB I PENDAHULUAN I.1. Latar Belakang Masalah
BAB I PENDAHULUAN I.1. Latar Belakang Masalah Dalam era teknologi seperti saat ini, informasi berupa teks sudah tidak lagi selalu tersimpan dalam media cetak seperti kertas. Orang sudah mulai cenderung
Lebih terperinciIMPLEMENTASI K NEAREST NEIGHBOR (KNN) PADA KLASIFIKASI ARTIKEL WIKIPEDIA INDONESIA
IMPLEMENTASI K NEAREST NEIGHBOR (KNN) PADA KLASIFIKASI ARTIKEL WIKIPEDIA INDONESIA Erik Hardiyanto 1, Faisal Rahutomo 2, Dwi Puspitasari 3 Jurusan Teknologi Informasi, Program Studi Teknik Informatika,
Lebih terperinciMetode Klasifikasi (SVM Light dan K-NNK. NN) Dr. Taufik Fuadi Abidin, S.Si., M.Tech. Jurusan Informatika FMIPA Universitas Syiah Kuala
Metode Klasifikasi (SVM Light dan K-NNK NN) Dr. Taufik Fuadi Abidin, S.Si., M.Tech Jurusan Informatika FMIPA Universitas Syiah Kuala www.informatika.unsyiah.ac.id/tfa Alur dan Proses Cleaning Process Dokumen
Lebih terperinciKATA PENGANTAR. menyelesaikan penyusunan laporan tugas akhir APLIKASI KLASIFIKASI ARTIKEL TEKNOLOGI INFORMASI PADA MAJALAH CHIP
KATA PENGANTAR Syukur Alhamdulillah, puji dan syukur kami panjatkan kehadirat Allah SWT, karena dengan limpah dan rahmat dan karunia-nya penulis dapat menyelesaikan penyusunan laporan tugas akhir APLIKASI
Lebih terperinciBAB I PENDAHULUAN 1.1 Latar Belakang
1. BAB I PENDAHULUAN 1.1 Latar Belakang website adalah salah satu layanan yang bisa digunakan untuk melakukan pencarian berbagai informasi, sehingga sangat dibutuhkan untuk keperluan pengguna dalam pencarian
Lebih terperinciIMPLEMENTASI ALGORITMA NAÏVE BAYES CLASSIFIER DALAM KLASIFIKASI USER BERDASARKAN TWEET
IMPLEMENTASI ALGORITMA NAÏVE BAYES CLASSIFIER DALAM KLASIFIKASI USER BERDASARKAN TWEET TUGAS AKHIR Sebagai Persyaratan Guna Meraih Gelar Sarjana Strata 1 Teknik Informatika Universitas Muhammadiyah Malang
Lebih terperinciPENERAPAN ALGORITMA NAIVE BAYES UNTUK MEMPREDIKSI PROFIL LULUSAN STMIK LPKIA
PENERAPAN ALGORITMA NAIVE BAYES UNTUK MEMPREDIKSI PROFIL LULUSAN STMIK LPKIA 1 Ati Suci Dian Martha, S.Kom, M.T., 2 Popy Widiyani 1 Program Studi Teknik Informatika STMIK LPKIA 2 Program Studi Sistem Informasi
Lebih terperinciSistem Temu Kembali Informasi pada Dokumen Teks Menggunakan Metode Term Frequency Inverse Document Frequency (TF-IDF)
Sistem Temu Kembali Informasi pada Dokumen Teks Menggunakan Metode Term Frequency Inverse Document Frequency (TF-IDF) 1 Dhony Syafe i Harjanto, 2 Sukmawati Nur Endah, dan 2 Nurdin Bahtiar 1 Jurusan Matematika,
Lebih terperinciIMPLEMENTASI DATA MINING DENGAN NAIVE BAYES CLASSIFIER UNTUK MENDUKUNG STRATEGI PEMASARAN DI BAGIAN HUMAS STMIK AMIKOM YOGYAKARTA
IMPLEMENTASI DATA MINING DENGAN NAIVE BAYES CLASSIFIER UNTUK MENDUKUNG STRATEGI PEMASARAN DI BAGIAN HUMAS STMIK AMIKOM YOGYAKARTA Erik Hadi Saputra 1), Burhan Alfironi Muktamar 2) 1), 2) Teknik Informatika
Lebih terperinciSENTIMENT ANALYSIS TOKOH POLITIK PADA TWITTER
SENTIMENT ANALYSIS TOKOH POLITIK PADA TWITTER Agung Pramono 1, Rini Indriati 2, Arie Nugroho 3, 1,2,3 Sistem Informasi, Fakultas Teknik, Universitas Nusantara PGRI Kediri E-mail: 1 pramonoagung0741@gmail.com,
Lebih terperinciBAB V IMPLEMENTASI DAN PENGUJIAN SISTEM
BAB V IMPLEMENTASI DAN PENGUJIAN SISTEM Bab ini akan membahas tentang implementasi dan hasil perancangan yang telah dibuat pada bab sebelumnya. Selain itu, pada bab ini juga dijelaskan tentang analisis
Lebih terperinciSistem Rekomendasi Hasil Pencarian Artikel Menggunakan Metode Jaccard s Coefficient
Jurnal Transistor Elektro dan Informatika (TRANSISTOR EI) Vol. 2, No. 1 1 Sistem Rekomendasi Hasil Pencarian Artikel Menggunakan Metode Jaccard s Coefficient Muhammad Fadelillah, Imam Much Ibnu Subroto,
Lebih terperinciBAB II LANDASAN TEORI
BAB II LANDASAN TEORI II.1 Text Mining Text Mining merupakan penerapan konsep dan teknik data mining untuk mencari pola dalam teks, proses penganalisaan teks guna menemukan informasi yang bermanfaat untuk
Lebih terperinciBAB 2 LANDASAN TEORI
BAB 2 LANDASAN TEORI Pada bab ini dijelaskan landasan teori dan metode yang digunakan pada tugas akhir ini dalam pengklasifikasian dokumen teks. Pembahasan dimulai dengan penjelasan mengenai klasifikasi
Lebih terperinciBAB I PENDAHULUAN. Pada bagian awal penelitian ini dipaparkan secara lengkap latar belakang,
BAB I PENDAHULUAN Pada bagian awal penelitian ini dipaparkan secara lengkap latar belakang, rumusan masalah, batasan masalah, tujuan penelitian, metodologi, dan sistematika penulisan. 1.1 Latar Belakang
Lebih terperinciBAB III ANALISIS DAN PERANCANGAN SISTEM
BAB III ANALISIS DAN PERANCANGAN SISTEM 3.1. Analisis Sistem Analisis sistem bertujuan untuk mengidentifikasi permasalahanpermasalahan yang ada pada sistem yang meliputi perangkat lunak (software), pengguna
Lebih terperinciBAB IV PREPROCESSING DATA MINING
BAB IV PREPROCESSING DATA MINING A. Konsep Sebelum diproses data mining sering kali diperlukan preprocessing. Data preprocessing menerangkan tipe-tipe proses yang melaksanakan data mentah untuk mempersiapkan
Lebih terperinciNur Indah Pratiwi, Widodo Universitas Negeri Jakarta ABSTRAK
Klasifikasi Dokumen Karya Akhir Mahasiswa Menggunakan Naïve Bayes Classifier (NBC) Berdasarkan Abstrak Karya Akhir Di Jurusan Teknik Elektro Universitas Negeri Jakarta Nur Indah Pratiwi, Widodo Universitas
Lebih terperinciBAB I PENDAHULUAN. 1.1 Latar Belakang
BAB I PENDAHULUAN Bab ini berisikan tentang alasan peneliti mengambil permasalahan ini. Pada bab ini poin-poin yang akan dipaparkan antara lain Latar Belakang, Perumusan Masalah, Batasan Masalah, Tujuan
Lebih terperinciBab 1 PENDAHULUAN. 1.1 Latar Belakang Masalah
Bab 1 PENDAHULUAN 1.1 Latar Belakang Masalah Semakin hari semakin banyak inovasi, perkembangan, dan temuan-temuan yang terkait dengan bidang Teknologi Informasi dan Komputer. Hal ini menyebabkan semakin
Lebih terperinciBAB I PENDAHULUAN 1.1 Latar Belakang
BAB I PENDAHULUAN 1.1 Latar Belakang Situs belanja online sering disebut juga dengan situs e-commerce yaitu suatu proses membeli dan menjual produk-produk secara elektronik oleh konsumen dan dari perusahaan
Lebih terperinciSENTIMENT ANALYSIS DENGAN NAIVE BAYES UNTUK MELIHAT PERSEPSI MASYARAKAT TERHADAP BATIK PADA JEJARING SOSIAL TWITTER
SENTIMENT ANALYSIS DENGAN NAIVE BAYES UNTUK MELIHAT PERSEPSI MASYARAKAT TERHADAP BATIK PADA JEJARING SOSIAL TWITTER Anindya Apriliyanti P. Departemen Statistika FMIPA Universitas Padjadjaran a.apriliyanti.p@gmail.com
Lebih terperinciBAB I PENDAHULUAN. 1.1 Latar belakang
BAB I PENDAHULUAN 1.1 Latar belakang Dalam beberapa tahun terakhir teknologi informasi dan telekomunikasi berkembang dengan pesat. Masyarakat mendapatkan manfaat dari tekonologi informasi dan telekomunikasi
Lebih terperinciBAB 3 LANDASAN TEORI
BAB 3 LANDASAN TEORI 3.1. Data Mining Data mining adalah proses menganalisa data dari perspektif yang berbeda dan menyimpulkannya menjadi informasi-informasi penting yang dapat dipakai untuk meningkatkan
Lebih terperinciBAB I PENDAHULUAN 1.1 Tujuan 1.2 Latar Belakang
BAB I PENDAHULUAN 1.1 Tujuan Merancang sebuah sistem yang dapat meringkas teks dokumen secara otomatis menggunakan metode generalized vector space model (GVSM). 1.2 Latar Belakang Dunia informasi yang
Lebih terperinciJurnal Informatika Mulawarman Vol. 10 No. 1 Februari
Jurnal Informatika Mulawarman Vol. 10 No. 1 Februari 2015 1 KLASIFIKASI DAN PENCARIAN BUKU REFERENSI AKADEMIK MENGGUNAKAN METODE NAÏVE BAYES CLASSIFIER (NBC) (STUDI KASUS: PERPUSTAKAAN DAERAH PROVINSI
Lebih terperinciKLASIFIKASI DOKUMEN NASKAH DINAS MENGGUNAKAN ALGORITMA TERM FREQUENCY INVERSED DOCUMENT FREQUENCY DAN VECTOR SPACE MODEL
KLASIFIKASI DOKUMEN NASKAH DINAS MENGGUNAKAN ALGORITMA TERM FREQUENCY INVERSED DOCUMENT FREQUENCY DAN VECTOR SPACE MODEL MANUSCRIPT DOCUMENT CLASSIFICATION ALGORITHM USING THE OFFICE OF TERM FREQUENCY
Lebih terperinciBAB I PENDAHULUAN 1.1. Latar Belakang Masalah
BAB I PENDAHULUAN 1.1. Latar Belakang Masalah Basis data saat ini sudah berkembang menjadi sangat besar secara cepat ke dalam ukuran terabyte. Di dalam tumpukan data tersebut mungkin terdapat informasiinformasi
Lebih terperinciBAB III ANALISIS DAN PERANCANGAN. Pada bab ini akan dijelaskan mengenai proses analisa perangkat lunak dan perancangan atau desain perangkat lunak.
BAB III ANALISIS DAN PERANCANGAN Pada bab ini akan dijelaskan mengenai proses analisa perangkat lunak dan perancangan atau desain perangkat lunak. 3.1 ANALISA SISTEM Analisa aplikasi ini meliputi 3 (tiga)
Lebih terperinciBAB 3 LANDASAN TEORI
BAB 3 LANDASAN TEORI 3.1 Twitter API Application Programming Interface (API) merupakan fungsi-fungsi/perintah-perintah untuk menggantikan bahasa yang digunakan dalam system calls dengan bahasa yang lebih
Lebih terperinciPEMBANGUNAN APLIKASI ANALISIS SENTIMEN BERITA MENGGUNAKAN METODE NAIVE BAYES
PEMBANGUNAN APLIKASI ANALISIS SENTIMEN BERITA MENGGUNAKAN METODE NAIVE BAYES TUGAS AKHIR Diajukan untuk Memenuhi Sebagian Persyaratan Mencapai Derajat Sarjana Teknik Informatika Oleh: Bernadeta Anjani
Lebih terperinciEKSTRAKSI FITUR SITUS BERITA ONLINE UNTUK KALEIDOSKOP BERITA TAHUNAN
EKSTRAKSI FITUR SITUS BERITA ONLINE UNTUK KALEIDOSKOP BERITA TAHUNAN Afri Yosela Putri 1, Faisal Rahutomo 2, Ridwan Rismanto 3 1, 2, 3 Jurusan Teknologi Informasi, Program Studi Teknik Informatika, Politeknik
Lebih terperinciBAB I PENDAHULUAN. ilmu tertentu dengan menggunakan kaidah-kaidah yang berlaku dalam bidang
BAB I PENDAHULUAN 1.1.Latar Belakang Masalah Tugas Akhir (TA) atau Skripsi merupakan suatu karya tulis ilmiah, berupa paparan tulisan hasil penelitian yang membahas suatu masalah dalam bidang ilmu tertentu
Lebih terperinci