SISTEM KLASIFIKASI REPORTING BERITA MENGGUNAKAN METODE NAIVE BAYES (Studi Kasus Situs Resmi Pemerintahan) KOMPETENSI RPL SKRIPSI

Transkripsi

1 SISTEM KLASIFIKASI REPORTING BERITA MENGGUNAKAN METODE NAIVE BAYES (Studi Kasus Situs Resmi Pemerintahan) KOMPETENSI RPL SKRIPSI Luh Gde Apryta Astaridewi PROGRAM STUDI TEKNIK INFORMATIKA JURUSAN ILMU KOMPUTER FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM UNIVERSITAS UDAYANA BUKIT JIMBARAN 2015

2 SURAT PERNYATAAN KEASLIAN KARYA ILMIAH Yang bertanda tangan di bawah ini menyatakanbahwanaskah Skripsi dengan judul: Nama NIM : : Luh Gde Apryta Astaridewi Program Studi : Teknik Informatika aprytadewi1@gmail.com Nomor telp/hp : Alamat : Jl. Ngurah Rai No 54, Gianyar Belum pernah dipublikasikan dalam dokumen skripsi, jurnal nasional maupun internasional atau dalam prosiding manapun, dan tidak sedang atau akan diajukan untuk publikasi di jurnal atau prosiding manapun. Apabila dikemudian hari terbukti terdapat pelanggaran kaidah-kaidah akademik pada karya ilmiah saya, maka saya bersedia menanggung sanksi-sanksi yang dijatuhkan karena kesalahan tersebut, sebagaimana diatur oleh Peraturan Menteri Pendidikan Nasional Nomor 17 Tahun 2010 tentang Pencegahan dan Penanggulangan Plagiat di Perguruan Tinggi. Demikian Surat Pernyataan ini saya buat dengan sesungguhnya untuk dapat dipergunakan bilamana diperlukan. Denpasar, 27 Agustus 2015 Yang membuat pernyataan, (Luh Gde Apryta Astaridewi) NIM

3 LEMBAR PENGESAHAN TUGAS AKHIR Judul : Sistem Klasifikasi Reporting Berita Menggunakan Metode Naive Bayes(Studi Kasus Situs Resmi Pemerintahan) Kompetensi : Rekayasa Perangkat Lunak Nama : Luh Gde Apryta Astaridewi NIM : Tanggal Seminar : Disetujui Oleh: Pembimbing I Pembimbing II I Gede Santi Astawa, S.T, M.Cs. NIP Pembimbing II Ida Bagus Gede Dwidasmara, S.Kom, M.Cs. NIP Pembimbing II Ida Bagus Gede Dwidasmara, S.Kom, M.Cs. NIP Ida Bagus Gede Dwidasmara, S.Kom, M.Cs. NIP Pembimbing II Ida Bagus Gede Dwidasmara, S.Kom, M.Cs. NIP Mengetahui, Jurusan Ilmu Komputer FMIPA UNUD Ketua, Drs. I Wayan Santiyasa, M.Si NIP

4 Judul : Sistem Klasifikasi Reproting Berita Menggunakan Metode Naive Bayes (Studi Kasus Situs Resmi Pemerintahan) Nama : Luh Gde Apryta Astaridewi NIM : Pembimbing I : I GedeSanti Astawa, S.T, M.Cs. Pembimbing II : Ida Bagus Gede Dwidasmara, S.Kom, M.Cs. ABSTRAK Perkembangan penggunaan teknologi informasi pada pemerintahan, dapat mempermudah masyarakat dalam memberikan pelayanan kepada masyarakat. Seperti misalnya ketika seorang ingin mencari tahu tentang undang-undang yang diperlukan atau berita tertentu pada web pemerintahan, maka orang tersebut mencari pada mesinpencari. Namun, tidak semua situs pemerintahan tersebut rajin mengunggah informasi penting yang dibutuhkan oleh masyarakat. Untuk itulah dibuatkannya Sistem klasifikasi reporting berita pada pemerintahan untuk dapat mengetahui seberapa sering suatu situs pemerintahan tersebut mengunggah berita atau informasi yang diperuntukan untuk masyarakat nantinya. Klasifikasi reporting berita dengan menggunakan metode Naïve Bayes merupakan salah satu metode machine learning yang menggunakan perhitungan probabilitas. Konsep dasar yang digunakan oleh Naïve bayes adalah Teorema Bayes, yaitu teorema yang digunakan dalam statistika untuk menghitung suatu peluang. Penelitian ini menggunakan 108 data latih dan 60 data uji. Hasil penelitian menunjukan pada data uji berita akurasi maksimal mencapai 80%. Kata kunci: Sistem Informasi, Klasifikasi, Naive Bayes.

5 Title : News Reporting Classification System by Using Naive Bayes Method (A Case Study on the Government Official Website) Name : Luh Gde Apryta Astaridewi Registration : First Supervisor : I GedeSanti Astawa, S.T, M.Cs. Second Supervisor : Ida Bagus Gede Dwidasmara, S.Kom, M.Cs. ABSTRAK The development of the use of information technology in government offices can make them easier in providing services to the public. For example, when one wants to find out about necessary legislation or spesific news on the government web, then that person is looking for it in the search engines. However, not all government sites reguraly uploading important information needed by the public. For this reason, this study made the implementation of the classification system of news reporting on the goverment to be able to know how often a government website upload news or information intended for the public. Classification of news reporting using Naïve Bayes is a machine learning method that uses probability calculations. The basic concept used by the Naïve Bayes is Bayes' Theorem, namely theorems used in statistics to calculate a probability. This study uses 108 training data and 60 test data. The results showed the maximum accuracy of test data news reached 80%. Keywords: Information Systems, Classification, Naive Bayes.

6 KATA PENGANTAR Puji syukur penulis panjatkan kehadapan Tuhan Yang Maha Esa, karena berkat rahmat dan karunia-nya, Skripsi Tugas Akhir yang berjudul Sistem Klasifikasi Reporting Berita Menggunakan Metode Naive Bayes (Studi Kasus Situs Resmi Pemerintahan) ini dapat diselesaikan tepat pada waktunya. Secara khusus penulis mengucapkan terima kasih dan penghargaan kepada berbagai pihak yang telah membantu Skripsi ini, yaitu : 1. Bapak sebagai I Gede Santi Astawa, S.T, M.Cs. pembimbing 1 yang telah bersedia mengkritisi, membantu dan memeriksa serta menyempurnakan Skripsi Tugas Akhir ini. 2. Bapak Ida Bagus Gede Dwidasmara, S.Kom., M.Cs.sebagai pembimbing 2 yang telah bersedia mengkritisi, membantu dan memeriksa serta menyempurnakan Skripsi Tugas Akhir ini. 3. Bapak-bapak dan ibu-ibu dosen di Jurusan Ilmu Komputer yang telah meluangkan waktu turut memberikan saran dan masukan dalam penyempurnaan Skripsi Tugas Akhir ini 4. Rekan-rekan mahasiswa yang telah memberikan dukungan, motivasi, semangat dan kerja sama dalam pembuatan Skripsi Tugas Akhir ini. 5. Keluarga dan kerabat serta semua pihak yang turut serta memberi dukungan sehingga Skripsi Tugas Akhir ini dapat diselesaikan dengan waktu yang ditentukan. Pada akhirnya penulis berharap agar adanya perbaikan pada Skripsi Tugas Akhir ini mengingat keterbatasan penulis, sehingga sangat diharapkan untuk adanya kritik dan saran yang membangun untuk pencapaian yang lebih baik. Bukit Jimbaran, Juli 2015 Penulis

7 DAFTAR ISI LEMBAR PENGESAHAN TUGAS AKHIR... 3 ABSTRAK... 4 KATA PENGANTAR... 6 DAFTAR ISI... 7 DAFTAR TABEL... 9 DAFTAR GAMBAR... vii10 BAB I PENDAHULUAN Latar Belakang Rumusan Masalah... Error! Bookmark not defined Tujuan Penelitian... Error! Bookmark not defined Batasan Masalah... Error! Bookmark not defined Manfaat Penelitian Metodelogi Penelitian Desain Penelitian Pengumpulan Data Pengolahan Data Awal Metode yang Digunakan Eksperimen dan Pengujian Evaluasi dan Validasi Hasil Jadwal Penelitian... 9 BAB II TINJAUAN PUSTAKA Sistem Informasi Klasifikasi Text Mining... Error! Bookmark not defined Ekstraksi Dokumen... Error! Bookmark not defined. 2.4 Naive Bayes MySQL PHP Model Pengembangan Waterfall Tinjauan Studi BAB III ANALISIS DAN PERANCANGAN Definisi Kebutuhan Kebutuhan Fungsional Kebutuhan Non-Fungsional... 24

8 3.2 ERD DFD Sistem... Error! Bookmark not defined Context Diagram... Error! Bookmark not defined DFD Level 0... Error! Bookmark not defined DFD Level DFD level 2 sub proses Proses Klasifikasi Berita Flowchart sub proses klasifikasi berita Data Dictionary Perancangan Interface BAB IV HASIL DAN PEMBAHASAN Lingkungan Perancangan dan Implementasi Sistem Implementasi Database Implementasi Antarmuka Antarmuka Modul Berita Antarmuka Kategori Antarmuka Reporting Implementasi Program Pengujian Sistem Black Box Testing White Box Testing Pengujian Performance Pengujian Akurasi BAB V KESIMPULAN DAN SARAN Kesimpulan Saran DAFTAR PUSTAKA... 63

9 DAFTAR TABEL Tabel 1.1 Jadwal Pengujian... 9 Tabel 3.1Kebutuhan Fungsional...\24 Tabel 4. 1 Penggalan Kode Fungsi Tabel 4. 2 Penggalan Kode View Data Berita Tabel 4. 3 Penggalan KodeFormInsert Data Tabel 4. 4 Penggalan Kode FormAddData Tabel 4. 5 Penggalan Kode Perhitungan Naive Bayes Tabel 4. 6 Penggalan Kode View Form NB Tabel 4. 7 Pengujian Modul Berita Tabel 4. 8 Pengujian Modul Kategori berita Tabel 4. 9 Pengujian Modul Reporting Berita Tabel Pengujian White Box Tabel Pengujian Performance Tabel Tabel Pengujian Akurasi... 60

10 DAFTAR GAMBAR Gambar 1. 1 Flowchart Sistem KlasifikasiReproting Berita... 4 Gambar 2.1Perancangan Text Minning Gambar 2.2Tokenizing dan Case Folding Gambar 2.3Filtering dan Stopword Gambar 2.4Stemming Gambar 2.5 Ilustrasi Model Waterfall Gambar 3. 1 ERD Gambar 3. 2 Context Diagram... Error! Bookmark not defined. Gambar 3. 3 DFD Level 0... Error! Bookmark not defined. Gambar 3. 4 DFD Level 1 Sub Proses Input Berita Gambar 3. 5 DFD level 2sub proses klasifikasi berita Gambar 3. 6 Flowchart sub proses klasifikasi Gambar 3. 7 Antarmuka Login Gambar 3. 8 Antarmuka Kategori Gambar 3. 9 Antarmuka Berita Kategori Kesehatan Gambar 3. 10Antarmuka Grafik Berita Gambar 4. 1Skema Database Gambar 4. 2 Tabel zz_berita_baru Gambar 4. 3 Tabel zz_kategori_berita Gambar 4. 4 Tabel zz_term_baru Gambar 4. 5 Tabel Stopword Gambar 4. 6 Tabel Kata dasar Gambar 4. 7 Tabel SKPD Gambar 4. 8 Tabel Berita Gambar 4. 9 Tabel Term Gambar 4. 10Antarmuka Berita Gambar Antarmuka Tambah Data Berita Gambar 4. 12AntarmukaForm Kategori Berita Gambar 4. 13Antarmuka Kategori Berita Gambar 4. 14AntarmukaForm Tambah Data Kategori... 44

11 Gambar 4. 15Antarmuka Edit Data Kategori Gambar Antarmuka Reporting Berita Gambar Implementasi Modul Gambar Grafik Pengujian Performance... 59