Implementasi Algoritma Multinomial Naive Bayes Classifier

Abstract

ABSTRAK Informasi diperkirakan lebih dari 80% tersimpan dalam bentuk teks tidak terstruktur. Oleh karena itu, dibutuhkan sistem pengelolaan teks yaitu dengan metode text mining yang diyakini memiliki potensial nilai komersial tinggi. Salah satu implementasi dari text mining yaitu klasifikasi teks. Tidak hanya dokumen, pemanfaatan klasifikasi juga digunakan pada surat. Peneliti mengkaji Multinomial Naive Bayes Classifier untuk mengklasifikasi surat keluar sehingga dapat menentukan nomor surat secara otomatis. Sistem klasifikasi didukung dengan confix-stripping stemmer untuk menemukan kata dasar dan TF-IDF untuk pembobotan kata. Pengujian diukur dengan menggunakan confusion matrix. Dari hasil pengujian menunjukkan bahwa implementasi Multinomial Naive Bayes Classifier pada sistem klasifikasi surat memiliki tingkat accuracy, precision, recall, dan F-measure berturut-turut sebesar 89,58%, 79,17%, 78,72%, dan 77,05%. ABSTRACT The information estimated that more than 80% is stored in the form of unstructured text. Therefore, it takes a text management system, namely text mining method is believed to have high potential commercial. One of text mining implementation is text classification. Not only documents, the use of classification is also used in official letter. Researcher examined Multinomial Naive Bayes Classifier to classify the letter so it can determine the letters classification code automatically. The classification system is supported by confix-stripping stemmer to find root and TF-IDF for term weighting. The test used by confusion matrix of a classified as a measure of its quality. The test results showed that the implementation of Multinomial Naive Bayes Classifier on letter classification system has a level of accuracy, precision, recall, and F-measure respectively for 89.58%, 79.17%, 78.72% and 77.05%.How to Cite : Setianingrum, A. H. Kalokasari, D.H . Shofi. I. M. (2017). IMPLEMENTASI ALGORITMA MULTINOMIAL NAIVE BAYES CLASSIFIER. Jurnal Teknik Informatika, 10(2), 109-118. doi: 10.15408/jti.v10i2.6822Permalink/DOI: http://dx.doi.org/10.15408/jti.v10i2.6822

Recommendation for Classification of News Categories Using Support Vector Machine Algorithm with SVD

“…TF (Term Frequency) which states the number of words that appear in a document. DF (Document Frequency) states how many documents for TF calculation using the following formula: [8] D F= log…”

Klasifikasi Dialek Bahasa Jawa Menggunakan Metode Naives Bayes

“…Algoritma Multinomial Naive Bayes merupakan salah bentuk pengembangan dari algoritma bayes yang cocok dalam pengklasifikasian teks atau dokumen [28]. Metode Multinomial Naive Bayes sering digunakan dalam penelitian tentang klasifikasi teks karena kesederhanaan dan efektivitasnya yang menggunakan ide dasar probabilitas gabungan dari kata-kata dan kategori untuk memperkirakan probabilitas kategori pada suatu dokumen [29].…”

Klasifikasi Kategori Permasalahan Akademik Mahasiswa Comdev Universitas Tanjungpura Menggunakan Algoritma Naive Bayes

“…Untuk tipe data teks, model naive bayes yang paling cocok untuk digunakan adalah Multinomial Naive Bayes [17]. Pada Multinomial Naive Bayes Classifier, kategori dokumen tidak hanya ditentukan dari munculnya suatu kata tetapi juga jumlah kemunculannya dalam dokumen.…”

“…Cara kerja multinomial naive bayes, kategori dokumen tidak hanya ditentukan oleh kata yang muncul tetapi juga melihat frekuensi kemunculan dari kata tersebut (kalokasari) [17]. Probabilistik dari dokumen d pada kelas c dapat dikomputasikan dengan menggunakan persamaan (1).…”

“…Sedangkan P(c) adalah prior probabilitas dari dokumen yang muncul pada kelas c, dan {𝑡1,𝑡2,...,𝑡𝑛𝑑}adalah token pada d yang menjadi bagian dari vocabulary yang digunakan untuk klasifikasi. Sementara 𝑛𝑑 merupakan jumlah token pada d [17].…”