Penerapan Metode Winnowing Fingerprint dan Naive Bayes untuk Pengelompokan Dokumen

Adi Radili, Suwanto Sanjaya

Abstract


Keanekaragaman dokumen teks serta jumlahnya saat ini terus bertambah yang menyebabkan penumpukan dokumen. Dokumen yang tersebar dan tidak terkoordinasi dengan baik akan menyulitkan pencari informasi dalam mendapatkan informasi yang diinginkan, maka perlu dibuatnya suatu sistem yang dapat mengelompokkan dokumen. Penelitian ini menerapkan metode winnowing untuk pemilihan fitur yaitu fingerprint dan naive bayes untuk pengelompokan. Pengelompokan dokumen dengan menggunakan winnowing fingerprint dan naive bayes mempunyai 8 bidang keahlian dengan menggunakan 1050 dokumen abstrak dengan 90% data latih dan 10% data uji. Pengujian menghasilkan akurasi 40% (k-gram=3, bilangan prima=2 dan jumlah window=8), 49,52% (k-gram=5, bilangan prima=2 dan jumlah window=8), 84,76% (k-gram=8, bilangan prima=2 dan jumlah window=8) dan 67,61% (k-gram=12, bilangan prima=2 dan jumlah window=8). Sedangkan pengujian menggunakan data yang seimbang, yaitu 400 data latih (masing-masing kelas memiliki 50 dokumen) menghasilkan akurasi 20% (k-gram=3, bilangan prima=2 dan jumlah window=8), 27,5% (k-gram=5, bilangan prima=2 dan jumlah window=8), 70% (k-gram=8, bilangan prima=2 dan jumlah window=8) dan 47,5% (k-gram=12, bilangan prima=2 dan jumlah window=8). Konfigurasi winnowing dengan nilai k-gram=8, bilangan prima=2 dan jumlah window=8 akan menghasilkan ciri dokumen yang terbaik untuk pengelompokan dokumen.

Kata kunci – Text Mining, Winnowing, Naive Bayes, Fingerprint, Pengelompokan Dokumen


Full Text:

PDF

References


Anggono, R., Suryani, A. A., & Kurniati, A. P. (2009). Analisis Perbandingan Metode K-Nearest Neighbor Dan Naive Bayes Classifier Dalam Klasifikasi Teks. Universitas Telkom.

Elbegbayan, N. (2005). Winnowing , a Document Fingerprinting Algorithm. TDDC03 Projects. Linkoping University.

Han, J., Kamber, M., & Pei, J. (2006). Data Mining. Concepts and Techniques.

Jurafsky, D., & Martin, J. H. (2015). Speech and Language Processing. In Classification: Naive Bayes, Logistic Regression, Sentiment.

Kurniawati, A., & Wicaksana, I. W. S. (2008). Perbandingan Pendekatan Deteksi Plagiarism Dokumen Dalam Bahasa Inggris. In KOMMIT 2008 (pp. 20–21). Depok.

Kusrini, & Luthfi, Emha. (2009). Algoritma Data Mining. Yogyakarta : Penerbit Andi.

Ridho, M. (2013). Rancang Bangun Aplikasi Pendeteksi Penjiplakan Dokumen Menggunakan Algoritma Biword Winnowing. Universitas Islam Negeri Sultan Syarif Kasim Riau.

Sanjaya, S., & Absar, E. A. (2015). Pengelompokan Dokumen Menggunakan Winnowing Fingerprint dengan Metode K - Nearest Neighbour. Jurnal CoreIT, 1(2), 50–56.

Sathya, S., & Rajendran, N. (2015). A Review on Text

Mining Techniques, 3(5), 274–284.

Schleimer, S., Wilkerson, D. S., Aiken, A., & Berkeley, U. C. (2003). Winnowing : Local Algorithms for Document Fingerprinting. SIGMOD 2003.

Tan, A. (1999). Text Mining : The state of the art and the challenges Concept-based. Singapore.

Xhemali, D., Hinde, C. J., & Stone, R. G. (2009). Naïve Bayes vs . Decision Trees vs . Neural Networks in the Classification of Training Web Pages. IJCSI International Journal of Computer Science Issues, 4(1), 16–23.

Yanti, D. (2013). Analisis Akurasi Algoritma Naive Bayes Pada Klasifikasi Dokumen Berkategori. Universitas Sumatera Utara.




DOI: http://dx.doi.org/10.24014/coreit.v3i2.4418

Refbacks

  • There are currently no refbacks.


Bookmark and Share


Creative Commons License  site stats  
Jurnal CoreIT by http://ejournal.uin-suska.ac.id/index.php/coreit/ is licensed under a Creative Commons Attribution-ShareAlike 4.0 International License.