Penerapan Algoritma Cosine Similarity dan Pembobotan TF-IDF System Penerimaan Mahasiswa Baru pada Kampus Swasta

Apriani, Apriani; Zakiyudin, Hizbu; Marzuki, Khairan

doi:10.30812/bite.v3i1.1110

Cited by 15 publications

(16 citation statements)

References 5 publications

Supporting

Mentioning

Contrasting

Unclassified

Order By: Relevance

“…Pemilu adalah singkatan dari Pemilihan Umum, yang merupakan suatu proses di mana warga negara dalam suatu negara memilih pemimpin atau wakil mereka dalam pemerintahan dan lembaga legislative [1]. Pemilu juga merupakan salah satu aspek fundamental dari sistem demokrasi, di mana warga negara memiliki hak untuk memilih sebagai bentuk partisipasi dalam proses pengambilan keputusan politik [2].…”

Section: Pendahuluanunclassified

Penerapan Text Mining Dalam Menganalisis Pendapat Masyarakat Terhadap Pemilu 2024 Pada Media Sosial X Menggunakan Metode Naive Bayes

Mauliza,

Sipayung

2024

TMJ

View full text Add to dashboard Cite

Tetx mining is a process to utilize the ocean of data in the Industrial Age 4.0. The rapid growth in the use of social media has generated a lot of data in the form of text analysis, one of which is sentiment analysis. This research uses social media X in analyzing the sentiment of opinions about the 2024 election. This analysis was taken from X social media user comments as much as 300 review data divided into 2 categories, namely 100 training data and 200 test data, then tested using the naïve bayes method. The text mining method with the naïve bayes algorithm can be applied to analyze public opinion and sentiment towards the 2024 election on the X social media platform. The results of data testing with the naïve bayes method obtained results with the acquisition of 103 positive sentiments, 47 negative sentiments and 50 neutral sentiments.

show abstract

Section: Pendahuluanunclassified

Penerapan Text Mining Dalam Menganalisis Pendapat Masyarakat Terhadap Pemilu 2024 Pada Media Sosial X Menggunakan Metode Naive Bayes

Mauliza,

Sipayung

2024

TMJ

View full text Add to dashboard Cite

show abstract

“…This can lead to inaccuracies in measuring the level of similarity between documents. However, these limitations can be overcome by applying TF-IDF (Term Frequency-Inverse Document Frequency) weighting [15].…”

Section: Cosine Similaritymentioning

confidence: 99%

Tourism Destination Article Search Features using TF-IDF and Cosine similarity

Aohana,

Fitri Bimantoro

2023

D.K.

View full text Add to dashboard Cite

In the current digital era, the increasing public interest in searching for information about travel destinations necessitates an effective and accurate search system. However, search results for travel destination articles often yield irrelevant or inadequate outcomes. To address this issue, this paper proposes applying the Term Frequency-Inverse Document Frequency (TF-IDF) algorithm and Cosine Similarity in the search feature for travel destination articles. By employing these algorithms, the search system is anticipated to deliver more relevant and accurate results according to user needs. This research contributes to developing an effective search system for travel destination articles, assisting users in obtaining relevant and high-quality information about the destinations they are searching for. The methodology involves collecting data on travel destination articles, implementing the TF-IDF algorithm to evaluate term importance, and utilizing Cosine Similarity to measure the similarity between articles and user queries. The study results demonstrate that implementing the TF-IDF algorithm and Cosine Similarity in the search feature for travel destination articles enhances the accuracy and relevance of search results. Users can quickly discover articles that align with their queries, improving their search experience. In conclusion, this research highlights that applying the TF-IDF algorithm and Cosine Similarity in the search feature significantly improves the accuracy and relevance of search results for travel destination articles. This enhances the search experience for users seeking information about travel destinations.

show abstract

“…Metode cosine similarity digunakan untuk menghitung similarity antar dua vektor atau lebih [13]. Metode cosine similarity diterapkan untuk menghitung tingkat kesamaan antar dokumen tetapi tidak menyertakan frekuensi kata (term) [14]. Dengan pembobotan TF.IDF ini dapat memberikan nilai bobot pada setiap kata dalam dokumen yang dapat membantu cosine similarity untuk memproses kata secara maksimal.…”

Section: Pembentukan Matriks Kemiripan (Similarity Matrix)unclassified

Peringkasan teks otomatis (automated text summarization) pada artikel berbahasa indonesia menggunakan algoritma lexrank

2022

View full text Add to dashboard Cite

Artikel merupakan kumpulan teks atau kalimat yang panjang dan berisikan gagasan atau pendapat terhadap suatu topik tertentu. Artikel yang sangat panjang akan menghabiskan waktu cukup lama untuk membaca dan memahami poin-poin penting yang disampaikan. Penelitian ini mengusulkan algoritma Lexrank untuk meringkas teks otomatis pada artikel berbahasa indonesia. Penelitian ini menggunakan dataset berupa korpus yang tersusun atas 300 artikel dari berbagai topik. Kalimat yang dipilih menjadi ringkasan untuk gold standard dirata-ratakan dari dua orang annotator. Metode peringkas dokumen dikembangkan untuk menghasilkan ringkasan yang performanya dibandingkan dengan gold standard tersebut menggunakan ROUGE score. Metode bekerja dengan beberapa tahap, mulai dari text preprocessing yang meliputi segmentasi kalimat, case folding, tokenisasi, punctuation removal, stemming dan stopword removal. Kemudian menghitung bobot tf-idf, bobot similarity, pembentukan graf, pemeringkatan kalimat, dan tahap akhir adalah membentuk hasil ringkasan. Untuk pengembangan sistem, 150 dokumen diuji coba dengan variasi pemilihan ranking similarity, dan yang terbaik digunakan sebagai model untuk test document. Hasil pengujian dengan compression rate 50% menghasilkan nilai f-measure rata-rata untuk 150 test document, pada metrik ROUGE-1, ROUGE-2 dan ROUGE-L secara berturut-turut adalah 67,53%, 59,10%, dan 67,05%. Sedangkan untuk compression rate 30% menghasilkan rata-rata f-measure pada ROUGE-1, ROUGE-2 dan ROUGE-L secara berturut-turut adalah 55,82%, 45,51%, dan 54,76%. Penelitian ini menghasilkan akurasi f-measure yang lebih baik dan kompetitif bila merujuk pada hasil-hasil penelitian sejenis.

show abstract

Penerapan Algoritma Cosine Similarity dan Pembobotan TF-IDF System Penerimaan Mahasiswa Baru pada Kampus Swasta

Cited by 15 publications

References 5 publications

Penerapan Text Mining Dalam Menganalisis Pendapat Masyarakat Terhadap Pemilu 2024 Pada Media Sosial X Menggunakan Metode Naive Bayes

Penerapan Text Mining Dalam Menganalisis Pendapat Masyarakat Terhadap Pemilu 2024 Pada Media Sosial X Menggunakan Metode Naive Bayes

Tourism Destination Article Search Features using TF-IDF and Cosine similarity

Peringkasan teks otomatis (automated text summarization) pada artikel berbahasa indonesia menggunakan algoritma lexrank

Contact Info

Product

Resources

About