Perangkingan Dokumen Berbahasa Arab berdasarkan Query dengan Metode Klasifikasi Naïve Bayes dan K-Nearest Neighbor

Abstract

Penelitian tentang perangkingan dokumen pada temu kembali informasi saat ini mudah ditemukan, hal ini terkait perkembangan keilmuan dibidang penggalian informasi yang bergerak sangat cepat. Namun, Walaupun sudah penelitian yang menggunakan Bahasa Arab sebagai objek masih terbatas. Karena keterbatasan penggunaan dokumen Bahasa Arab untuk penelitian bidang penggalian informasi maka penulis mencoba melakukan pendekatan sederhana, yaitu dengan mengimplementasikan metode klasifikasi naïve bayes dan k-Nearest Neighbor (k-NN). Tujuan dari penelitian ini adalah untuk mengetahui apakah metode klasifikasi terutama naïve bayes dan k-NN dapat digunakan untuk melakukan perangkingan, dan juga membandingkan akurasi dari kedua metode tersebut. Berdasarkan penelitian yang dilakukan, didapatkan hasil bahwa perangkingan dengan metode klasifikasi dapat dilakukan dengan tingkat akurasi metode Naïve Bayes lebih baik dibandingkan dengan metode k-NN dengan rata-rata nilai F1 Measure mencapai 72%, rata-rata nilai precision mencapai 75%, dan rata-rata nilai recall mencapai 80%. Sedangkan hasil dari metode k-NN diperoleh rata-rata nilai F1 Measure mencapai 70%, rata-rata nilai precision mencapai 76%, dan rata-rata nilai recall mencapai 79%. Namun penelitian ini masih kurang dari segi teknik yang dilakukan, yaitu dengan menghilangkan proses stemming. Sehngga penulis memberikan saran untuk penelitian selanjutnya supaya bisa dilakukan proses stemming dan menggunakan metode perangkingan yang lebih baru.

Sentiment Analysis of the Use of Digital Banking Service Applications On Google Play Store Reviews Using Naïve Bayes Method

“…Another study compared the NBC, KNN and Decision Tree algorithms, the analysis resulted in the NBC algorithm producing the highest accuracy value compared to other methods, namely 100% [22]. There are also studies that mention that the NBC algorithm produces F1 measure, precision value, and recall value better than the KNN method [23], [24].…”

Pengukuran Kemiripan berbasis Leksikal dan Semantik untuk Perangkingan Dokumen Berbahasa Arab

“…Term weighting yang dibandingkan adalah Term Frequency Inverse Document Frequency (TFIDF) digabungkan dengan Inverse Class Space Density Frequency (ICSδF) dan Inverse Hadith Space Density Frequency sehingga (IHSδF) menjadi TF-IDF-ICSδF-IHSδF [7]. Penelitian lain melakukan perangkingan terhadap dataset bahasa Arab menggunakan Term Frequency Inverse Document Frequency (TFIDF) dan metode klasifikasi Naïve Bayes dan K-Nearest Neighbor(KNN) serta berbasis clustering [8] [9]. Beberapa penelitian lain yang menggunakan leksikal sebagai metode perangkingan dokumen ialah sebagai berikut: penelitian yang dilakukan oleh Sholikah, dkk melakukan perangkingan dokumen secara leksikal pada dokumen fiqih.…”