Performance comparison between naive bayes and k- nearest neighbor algorithm for the classification of Indonesian language articles

Winarti, Titin; Indriyawati, Henny; Vydia, Vensy; Christanto, Febrian Wahyu

doi:10.11591/ijai.v10.i2.pp452-457

Cited by 3 publications

(3 citation statements)

References 21 publications

Supporting

Mentioning

Contrasting

Unclassified

Order By: Relevance

“…Beberapa peneliti mencoba untuk meningkatkat algoritma ini dengan beberapa model klasifikasi. Stemming memberikan dampak terhadap perfomansi waktu (cost reduction) dalam menjalankan model klasifikasi seperti Naïve Bayes (Winarti et al, 2021), K-NN (Utomo et al, 2020), SVM (Utami et al, 2019), dan model lainnya.…”

Section: Penelitian Terdahuluunclassified

Modifikasi Fonem Vokal Pada Stemming Kata Tidak Baku

Iskandar,

Utami,

Hidayat

et al. 2023

JTIIK

View full text Add to dashboard Cite

Bahasa Indonesia termasuk bahasa yang paling populer digunakan di dunia. Bahasa Indonesia dapat berupa bahasa baku dan tidak baku. Bahasa tidak baku dapat dikarenakan oleh penyerapan dari bahasa asing atau bahasa daerah. Penyerapan ini dapat terjadi perganti huruf vokal. Kontribusi pada penelitian ini adalah melakukan modifikasi fonem pada huruf vokal untuk mengembalikan kata tidak baku ke dalam bentuk kata dasar yang baku disebut sebagai Modified Vocal Phonemes Non Formal. Percobaan dilakukan dengan 60 kata tidak baku yang sudah dilakukan preprocessing pada penelitian sebelumnya terlebih dahulu. Penelitian ini membandingkan hasil algoritma dengan algoritma pada penelitian sebelumnya. Algoritma Modified Vocal Phonemes Non Formal telah berhasil melakukan stemming dengan presisi 90.00% dengan 54 kata tidak baku yang sukses dikonversi ke kata dasar sesuai dengan Kamus Besar Bahasa Indonesia (KBBI) dan 6 kata masih belum berhasil dikonversi. AbstractIndonesian is one of the most popular languages spoken in the world. Indonesian can be standard and non-standard language. Non-standard language can be caused by absorption of foreign languages or village languages. This absorption can occur as a substitute for vowels. The contribution to this research is to modify the phonemes of vowels to return non-formal words into formal root forms known as Modified Vocal Phonemes in Non-Formal. The experiment was carried out with 60 non-formal words that have been preprocessed in the previous research. This research will compare the results of the algorithm with the algorithm in previous research. Algorithm Modified Vocal Phenomes Non-Formal has succeeded in performing stemming with 90.0% precision with 54 words that were successfully converted to base words according to the Big Indonesian Dictionary and 6 words were still not converted.

show abstract

Section: Penelitian Terdahuluunclassified

Modifikasi Fonem Vokal Pada Stemming Kata Tidak Baku

Iskandar,

Utami,

Hidayat

et al. 2023

JTIIK

View full text Add to dashboard Cite

show abstract

“…To date, most of the text classification methods generally used to assign multiple topics to documents [6], grouping of documents into a fixed number of predefined classes [7], sentiment analysis to determine the viewpoint/polarity of a writer with respect to some topic [8], spam filtering of emails [9], automatic hate speech detection [10]. In the era of big data, the increasing number of complex documents makes traditional machine learning methods difficult to implement because conventional learning processes are not designed for big data and will not work properly with high data volumes.…”

Section: Introductionmentioning

confidence: 99%

Automated hierarchical classification of scanned documents using convolutional neural network and regular expression

Arief

Mutiara

Kusuma

et al. 2022

IJECE

View full text Add to dashboard Cite

This research proposed automated hierarchical classification of scanned documents with characteristics content that have unstructured text and special patterns (specific and short strings) using convolutional neural network (CNN) and regular expression method (REM). The research data using digital correspondence documents with format PDF images from pusat data teknologi dan informasi (technology and information data center). The document hierarchy covers type of letter, type of manuscript letter, origin of letter and subject of letter. The research method consists of preprocessing, classification, and storage to database. Preprocessing covers extraction using Tesseract optical character recognition (OCR) and formation of word document vector with Word2Vec. Hierarchical classification uses CNN to classify 5 types of letters and regular expression to classify 4 types of manuscript letter, 15 origins of letter and 25 subjects of letter. The classified documents are stored in the Hive database in Hadoop big data architecture. The amount of data used is 5200 documents, consisting of 4000 for training, 1000 for testing and 200 for classification prediction documents. The trial result of 200 new documents is 188 documents correctly classified and 12 documents incorrectly classified. The accuracy of automated hierarchical classification is 94%. Next, the search of classified scanned documents based on content can be developed.

show abstract

“…Kelebihan dari algoritma K-NN adalah pelatihan sangat cepat, sederhana, dan mudah dipelajari, tahan terhadap data training yang memiliki noise, dan efektif jika data training-nya besar [6]. Algoritma K-NN dapat memberikan kinerja yang baik karena algoritma tersebut tahan terhadap noise data [7]. K-NN termasuk kedalam metode machine learning karena melibatkan data masa lalu untuk memprediksi data masa depan.…”

unclassified

Optimalisasi dalam Mengidentifikasi Seleksi Mahasiswa Jalur Cepat (Fast-track) Menggunakan Metode K-Nearest Neighbor

Rahman

2022

jsisfotek

View full text Add to dashboard Cite

Penerimaan fast-track dilakukan untuk membantu penyeleksian dalam memberikan rekomendasi mahasiswa yang berpotensi bergabung pada program fast-track maka dibutuhkan Sistem Pendukung Keputusan, dikarenakan sistem penyeleksian calon penerima mahasiswa fast-track masih manual, dan banyak sekali kelemahannya. Banyaknya peminat dalam mendaftar fast-track menyebabkan ketua jurusan mengalami kesusahan saat mengolah data yang manual sehingga dibutuhkan perangkat lunak untuk memudahkan pengolahan data tersebut. Tidak semua mahasiswa yang mengajukan permohonan untuk mendapatkan fast-track dapat disetujui, di karenakan mahasiswa yang mengajukan permohonan cukup banyak, maka begitu dibutuhkan sekali agar dibangun suatu SPK dengan metode K-Nearest Neighbor (K-NN) yang dapat membantu memberikan rekomendasi kepada peminat fast-track. Berdasarkan analisis terhadap SPK dengan metode K-NN ini dilakukan dengan cara observasi wawancara dan implementasi sistem. Dalam penilaian penerimaan fast-track dapat dijadikan dasar untuk memudahkan keputusan pada penyeleksian mahasiswa fast-track karena sistem dapat mengolah data dan menghasilkan informasi secara cepat, tepat dan konsisten kepada ketua jurusan terhadap mahasiswa untuk bergabung fast-track yang akan diberikan. Dapat membentuk suatu keputusan yang tepat, efektif dan efisien pada pengelolaan data seleksi penerimaan fast-track yang memang berpotensi diterima fast-track. Metode K-NN dapat digunakan untuk mengidentifikasi seleksi penerimaan mahasiswa fast-track, SPK dalam penilaian penyeleksian mahasiswa fast-track dapat memudahkan keputusan pada mahasiswa secara proporsional dengan berdasarkan hasil proses data mahasiswa meliputi indeks prestasi mahasiswa semester 1-6, jumlah sks sampai semester 6 dengan tepat dan akurat karena sistem dapat meminimalisir kesalahan dalam proses perhitungan normalisasi data.

show abstract

Performance comparison between naive bayes and k- nearest neighbor algorithm for the classification of Indonesian language articles

Cited by 3 publications

References 21 publications

Modifikasi Fonem Vokal Pada Stemming Kata Tidak Baku

Modifikasi Fonem Vokal Pada Stemming Kata Tidak Baku

Automated hierarchical classification of scanned documents using convolutional neural network and regular expression

Optimalisasi dalam Mengidentifikasi Seleksi Mahasiswa Jalur Cepat (Fast-track) Menggunakan Metode K-Nearest Neighbor

Contact Info

Product

Resources

About