Penerapan Algoritma Improved KNearst Neighbors untuk Pengkategorian Dokumen Berita Berbahasa Indonesia
| Main Author: | Diana, WidiaNur |
|---|---|
| Format: | Thesis NonPeerReviewed Book |
| Bahasa: | eng |
| Terbitan: |
, 2011
|
| Subjects: | |
| Online Access: |
http://repository.ub.ac.id/152640/1/051103083.pdf http://repository.ub.ac.id/152640/ |
Daftar Isi:
- Pada algoritma k-NN (k-NN Tradisional) dalam melakukan kategorisasi terhadap suatu dokumen dilakukan perhitungan nilai similaritas antara dokumen uji dengan dokumen latih. Kategori untuk dokumen uji ditunjukkan dari nilai similaritas sejumlah k (k-values) terbesar Sehingga performa dari algoritma k-NN sangat dipengaruhi oleh kvalues yang digunakan. Ketika ditetapkan k-values yang terlalu kecil, dihasilkan akurasi yang rendah karena hasil kategorisasi akan lebih terpengaruh dengan noise. Penetapan k-values yang tinggi dapat mengurangi efek noise dalam kategorisasi, tetapi membuat akurasi menjadi rendah karena hasil kategorisasi lebih terpengaruh dengan kategori yang memiliki jumlah dokumen latih lebih besar. Sedangkan distribusi dokumen latih ditiap kategori pada tidak sama, sehingga seiiring meningkatnya k-values yang digunakan membuat menurunnya hasil akurasi pada kategori yang memiliki jumlah dokumen latih lebih kecil. Untuk mengatasi permasalahan menurunnya hasil akurasi, maka diterapkan algoritma Improved K-Nearst Neighbors. Pada algoritma Improved K-Nearst Neighbors dilakukan proporsi terhadap k-values yang digunakan. Proporsi k-values baru (nilai n) disesuaikan dengan jumlah dokumen pada tiap-tiap kategori. Sistem pengkategorian berita menggunakan algoritma Improved KNearst Neighbors memiliki nilai F-Measure sebesar 95,41%. K-values optimal diperoleh pada k = 5 dengan prosentase keberhasilan sebesar 96,17%. Berdasarkan percobaan yang telah dilakukan, menunjukkan bahwa sistem pengkategorian berita menggunakan algoritma Improved K-Nearst Neighbors mempunyai performa sistem (F-Measure) 3.09% lebih baik seiiring dengan variasi k-values yang digunakan dibandingkan dengan menggunakan algoritma k-NN (k-NN Tradisional)