STUDI KOMPARATIF PEMANFAATAN VECTOR SPACE MODEL PADA PENERAPAN ALGORITMA NAZIEF ADRIANI, K-NEAREST NEIGHBOR DAN FUNGSI JACCARD: KASUS PROTOTIPE APLIKASI KATAGORISASI TEKS BERBAHASA INDONESIA

Abstract

Kemajuan teknologi yang sangat cepat mendorong manusia dalam memanfaatkan tumbuh kembangnya teknologi
tersebut untuk melakukan pekerjaan yang dahulu dikerjakan secara manual. Teknik yang digunakan untuk
memecahkan masalah adalah dengan menggunakan teknik text mining untuk pengkategorian dokumen penulisan
ilmiah. Sedangkan untuk mencari nilai similaritas suatu dokumen dengan dokumen lainnya menggunakan kata kunci
yang didapat dari hasil pengkategorian dokumen dan algoritma yang digunakan adalah algoritma TF-IDF (Term
Frequency – Inversed Document Frequency), WIDF (Weighted Inverse Document Frequency). Untuk pengujian
sistem adalah dengan Recall & Precision. Tujuan dari penelitian ini adalah untuk implementasi sistem klasifikasi
dokumen teks berbahasa Indonesia dengan banyak kategori dan mengetahui tingkat akurasi hasil klasifikasi dengan
metode TF-IDF dan WIDF dalam mengklasifikasikan dokumen teks berbahasa Indonesia. Penelitian ini menghasilkan
nilai precision dan recall rata-rata sebesar 87.50% dengan pembobotan TF-IDF dan WIDF sebesar 83.33%. Dengan
ini diambil kesimpulan bahwa TF-IDF menghasilkan precision & recall tertinggi sebesar 87.50% dibandingkan
dengan WIDF yaitu 83.33% menggunakan similaritas fungsi jaccard. Hasil terbaik adalah pembobotan kata dengan
TF-IDF.