Analisis Topik Berita Bahasa Indonesia Dengan Menggunakan Metode K-Nearest Neighbor Dan Naive Bayes

Komariah Kukum Manieh Nuryasin, . (2025) Analisis Topik Berita Bahasa Indonesia Dengan Menggunakan Metode K-Nearest Neighbor Dan Naive Bayes. Masters thesis, Universitas Pamulang.

	Text COVER.pdf Restricted to Registered users only Download (1MB)
	Text BAB I.pdf Restricted to Registered users only Download (94kB)
	Text BAB II.pdf Restricted to Registered users only Download (462kB)
	Text BAB III.pdf Restricted to Registered users only Download (231kB)
	Text BAB IV.pdf Restricted to Registered users only Download (3MB)
	Text BAB V.pdf Restricted to Registered users only Download (86kB)
	Text JURNAL.pdf Restricted to Registered users only Download (467kB)

Abstract

Dalam era perkembangan teknologi informasi yang pesat, kebutuhan akan sistem klasifikasi berita menjadi krusial untuk mengelola volume informasi yang terus bertambah dan meningkat di publikasikan. Metode penelitian ini meliputi pengumpulan data, preprocessing teks, penerapan algoritma klasifikasi, dan evaluasi model. Dataset yang digunakan terdiri dari 2.000 berita yang dikategorikan ke dalam lima kategori utama: Politik, Ekonomi, Kesehatan, Keamanan, dan Kemiskinan. Data diperoleh dari https://www.kaggle.com dan diproses dengan tahapan preprocessing, meliputi pembersihan kata (cleaning), pemecahan kata (tokenizing), normalisasi, penghapusan kata tidak penting (stopword removal), stemming, serta pemberian bobot kata menggunakan metode TF-IDF. Untuk mengevaluasi performa model, dilakukan pengujian dengan tiga skenario pembagian data: 70%-30%, 80%-20%, dan 90%-10% antara data latih dan data uji. Hasil penelitian menunjukkan bahwa algoritma K-Nearest Neighbor (KNN) memiliki akurasi tertinggi sebesar 89% pada skenario 90%-10%, sedangkan Naïve Bayes memperoleh akurasi terbaik sebesar 78,66% pada skenario 70%-30%. Berdasarkan hasil analisis, diketahui bahwa K-Nearest Neighbor (KNN) lebih efektif dalam menangani data dengan distribusi kategori yang seimbang, sedangkan Naïve Bayes kurang optimal dalam mengklasifikasikan kategori topik berita dengan jumlah data yang lebih sedikit. Berdasarkan hasil evaluasi menggunakan confusion matrix, diperoleh perbandingan akurasi dari kedua metode, yang kemudian dianalisis untuk mengetahui efektivitas klasifikasi topik berita. Dengan hasil penelitian ini, diharapkan dapat memberikan kontribusi dalam pengembangan sistem klasifikasi topik berita yang lebih efisien dan akurat serta dapat menjadi referensi bagi penelitian selanjutnya dalam bidang klasifikasi topik berita dan data mining.

Item Type:	Thesis (Masters)
Uncontrolled Keywords:	Klasifikasi Berita, K-Nearest Neighbor, Naïve Bayes, Text Mining, TF-IDF. Kata kunci: Klasifikasi Berita, K-Nearest Neighbor, Naïve Bayes, Text Mining, TF-IDF.
Subjects:	Q Science > QA Mathematics > QA75 Electronic computers. Computer science
Divisions:	Faculty of Engineering, Science and Mathematics > School of Electronics and Computer Science
Depositing User:	miko
Date Deposited:	04 Jul 2025 03:53
Last Modified:	04 Jul 2025 08:14
URI:	http://repository.unpam.ac.id/id/eprint/16754

Actions (login required)

View Item