ANALISIS PEMBOBOTAN KATA PADA APLIKASI LAPOR MENGGUNAKAN TEXT MINING DAN BACKPROPAGATION

Deolika, Agatha (2020) ANALISIS PEMBOBOTAN KATA PADA APLIKASI LAPOR MENGGUNAKAN TEXT MINING DAN BACKPROPAGATION. S2 - Magister thesis, Universitas AMIKOM Yogyakarta.

Text 18.51.1159-Agatha Deolika.pdf - Published Version Download (8MB)

Abstract

Pada era sekarang ini sangatlah diperlukan kecerdasan buatan (AI) untuk membantu menyelesaikan masalah yang ada, contohnya seperti klasifikasi dokumen. Aspirasi atau laporan dari masyarakat adalah berupa teks yang tidak beraturan, maka dari itu perlu adanya analisis teks menggunakan pembobotan kata. Pada penelitian ini akan menganalisis 3 pembobotan kata yaitu TF.IDF, TF.RF, dan WIDF menggunakan metode klasifikasi Backpropagation untuk mengklasifikasi data yang berupa teks yang tidak beraturan. Data yang digunakan berasal dari aplikasi “Batara Lapor” dan juga sebagian diambil dari aplikasi lapor nasional dan akan di uji dengan sedikita data dan banyak data yaitu 275 dataset dan 770 dataset. Sebelum masuk ke klasifikasi data, masing masing data dianalisis agar mendapatkan model yang terbaik, masing-masing pembobotan dilakukan 3 kali percobaan dan diambil hasil terbaik dengan masingmasing neuron hiden layer 4, 16, 32 neuron. Setelah mendapat model terbaik maka akan dilakukan proses klasifikasi dan menghasilkan pembobotan kata TF.IDF dengan Accuracy 93,33% Percission 94% dan Recall 93%, TF.RF dengan Accuracy 95,55% Percission 96% dan Recall 96%, WIDF dengan Accuracy 91,48% Percission 92% dan Recall 92%. Secara keseluruhan masing-masing pembobotan sudah mampu untuk mengklasifikasi teks yang tidak beraturan atau abstrak seperti aspirasi atau laporan masyarakat. Pembobotan yang memiliki performa paling tinggi adalah pembobotan TF.RF dengan Precision 95,55%, recall 96%, accuracy 96%. Walaupun ada beberpada data yang tidak dapat diklasifikasi yang dikarenakan factor-faktor seperti sedikitnya kemunculan kata pada suata dokumen dan juga banyaknya kata-kata singkatan yang mempengaruhi hasil dari klasifikasi tersebut. Kombinasi TF.RF dan Backpropagation adalah kombinasi yang menghasilkan performa tertinggi dan diuji dengan data yang sedikti dan data yang lumayan banyak, pada pengujian tersebut tidak ada perbedaan hasil yang signifikan. Kata kunci: Teks Mining, Inverted Index, Backpropagation, TF.IDF, TF.RF, WIDF

Actions (login required)

View Item