Analisis Kelayakan Latar Belakang Proposal Penelitian Menggunakan Metode Naïve Bayes Classification

Siska Febriani, Muhamad Maksum Hidayat

Sari


Data Di akademisi atau kampus seringkali menjadi masalah bagi mahasiswa atau peneliti yang akan mengajukan proposal penelitian, di mana di latar belakang proposal yang diajukan seringkali tidak memenuhi atau tidak memenuhi unsur kelayakan latar belakang proposal, menurut Ristekdikti (2018) ) latar belakang harus mengandung elemen latar belakang masalah, urgensi penelitian, dan tujuan spesifik penelitian. Ini menghasilkan sejumlah proposal penelitian yang tidak sesuai untuk persetujuan yang diakhiri dengan banyak penolakan atau revisi, hanya karena penulisan proposal penelitian yang tidak tepat.

 Dalam penelitian ini mengusulkan untuk menggunakan metode Naive Bayes sebagai metode klasifikasi teks latar belakang penelitian sehingga model yang sesuai diperoleh untuk menghasilkan tingkat akurasi terbaik untuk kelayakan latar belakang proposal penelitian.

Dari ujicoba itu muncul nilai threshold nya yaitu 0.0006, 0.0007, 0.0008, 0.0016. dan setelah diujicobakan pada banyak dokumen yang akan di cari krlayakannya. Muncul kata banyak sebanyak 7776, 7633, 5834,9921. Dan setelah di input 300 dokumen latar belakang ada 223 layak dan sisanya tidak layak ada 77 dokumen.  Saran untuk penelitian selanjutnya diharapkan menggunakan data training yang lebih banyak sehingga hasilnya akan lebih akurat. Selain itu data training sebaiknya di ambil dari banyak sumber yang berbeda sehingga akan lebih memperkaya pengetahuan sistem.

Kata Kunci


Analisis, Kelayakan Latar Belakang, Naïve Bayes Classifier

Teks Lengkap:

PDF

Referensi


A. Hamzah, “Klasifikasi Teks Dengan Naive Bayes Classifier (NBC) untuk Pengelompokan Teks Berita dan Abstract Akademis,” dalam Prosiding Seminar Nasional Aplikasi Sains & Teknologi (SNAST) Periode III, Yogyakarta, 2012.

S. Sumpeno dan I. Destuardi, “Klasifikasi Emosi untuk Teks Bahasa Indonesia menggunakan Metode Naive Bayes,” Seminar Nasional Pascasarjana, 2009.

G. Miner, A. Fast, D. Delen, T. Hill, J. Elder dan B. Nisbet, Practical Text Mining and Statistical Analysis for Non-Structured Text Data Application, Oxford: Elsevier, 2012.

Lichouri, M. et al. (2018) ‘Word-Level vs Sentence-Level Language Identification: Application to Algerian and Arabic Dialects’, Procedia Computer Science. Elsevier B.V., 142(2017), pp. 246–253. doi: 10.1016/j.procs.2018.10.484.

Ristekdikti (2018) ‘Buku Panduan Pengusulan Program Penelitian Dan Pengabdian Kepada Masyarakat Melalui Simlitabmas Tahun 2018’, pp. 1–135.

Somantri, O. (2017) ‘Text Mining Untuk Klasifikasi Kategori Cerita Pendek Menggunakan Naïve Bayes (NB)’, Jurnal Telematika, 12(01). Available at: http://journal.ithb.ac.id/telematika/article/view/154.

Wongso, R. et al. (2017) ‘News Article Text Classification in Indonesian Language’, Procedia Computer Science. Elsevier B.V., 116, pp. 137–143. doi: 10.1016/j.procs.2017.10.039.

Rahma Amelia, et al. (2017) ‘Online News Classification Using Multinomial Naive Bayes. ITSMART: Jurnal Ilmiah Teknologi dan Informasi., Vol. 6, No. 1, June 2017, ISSN: 2301-7201, E-ISSN: 2541-5689.

R. Imbar, Adelia, M. Ayub and A. Rehatta, "Implementasi Cosine Similarity dan Algoritma Smith-Waterman untuk Mendeteksi Kemiripan Teks," Jurnal Informatika, 10(1), 2014.

A. Sasmoyo, R. Saptono and Wiranto, "Penggunaan Jumlah Frekuensi Kata Terbanyak Sebagai Feature Set Pada Naive Bayes Classifier Untuk Mengklasifikasikan Dokumen Berbahasa Indonesia dan Inggris," Seminar Nasional Ilmu Komputer, 2015.


Refbacks

  • Saat ini tidak ada refbacks.


Lembaga Penelitian dan Pengabdian Masyarakat (LPPM) STMIK Tasikmalaya

Copyright © 2019 Jurnal VOI (Voice Of Informatics)

E-ISSN : 2579-3489

Lisensi Creative Commons
Ciptaan disebarluaskan di bawah Lisensi Creative Commons Atribusi 4.0 Internasional.