OPTIMASI METODE NAÏVE BAYES MENGGUNAKAN SELEKSI FITUR MUTUAL INFORMATION UNTUK KLASIFIKASI TEKS UJARAN KEBENCIAN

ROHADI, PUTRA BAGASPATI (2023) OPTIMASI METODE NAÏVE BAYES MENGGUNAKAN SELEKSI FITUR MUTUAL INFORMATION UNTUK KLASIFIKASI TEKS UJARAN KEBENCIAN. Diploma thesis, Universitas Pembangunan Nasional "Veteran" Yogyakarta.

	Text ABSTRAK.pdf Restricted to Repository staff only Download (10kB)
	Text SKRIPSI FULL_PUTRA BAGASPATI ROHADI.pdf Download (3MB)
	Text COVER.pdf Download (292kB)
	Text DAFTAR ISI.pdf Download (223kB)
	Text DAFTAR PUSTAKA.pdf Download (240kB)
	Text PENGESAHAN PEMBIMBING.pdf Download (259kB)

Abstract

Ujaran kebencian merupakan sebuah bentuk ekspresi yang memuat kebencian
terhadap kelompok atau individu yang menjadi sasaran untuk menghina atau
mempermalukan. Ujaran kebencian dapat memberikan banyak dampak buruk bagi
masyarakat seperti saling membenci, saling curiga, intoleran, diskriminatif, hingga dapat
memunculkan kekerasan terhadap individu atau kelompok tertentu, sehingga dibutuhkan
sebuah solusi untuk mendeteksi ujaran kebencian secara otomatis. Permasalahan tersebut
dapat diatasi dengan melakukan klasifikasi teks menggunakan machine learning. Salah satu
metode yang dapat digunakan dalama melakukan klasifikasi teks adalah Naïve Bayes.
Namun metode tersebut memiliki kelemahan yang mengasumsikan setiap fitur bersifat
independen satu dengan yang lain.
Kelemahan tersebut dapat diatas dengan melakukan seleksi fitur untuk memilih fitur�fitur yang paling penting dalam melakukan klasifikasi. Penelitian ini menggunakan seleksi
fitur Mutual Information yang merupakan salah satu metode paling efektif dalam memilih
fitur-fitur yang paling revelan dalam menentukan suatu kelas pada klasifikasi teks. Sehingga
metode ini dianggap mampu mengatasi kelemahan dari metode Naïve Bayes.
Pada penelitian ini dilakukan pengujian menggunakan Confusion Matrix untuk
mengetahui nilai akurasi tertinggi yang didapatkan dari klasifikasi teks ujaran kebencian
menggunakan metode Naïve Bayes dengan seleksi fitur Mutual Information maupun tanpa
seleksi fitur serta split dataset 70:30, 80:20, dan 90:10. Berdasarkan pengujian yang telah
dilakukan, skenario split dataset 90:10 dengan penggunaan seleksi fitur Mutual Information
mampu meningkatkan akurasi Naïve Bayes dalam melakukan klasifikasi teks uajran
kebencian sebesar 1,4% dari 83% menjadi 84,4%. Hal ini menunjukkan bahwa seleksi fitur
Mutual Information memiliki kemampuan untuk mengatasi kelemahan dari metode Naïve
Bayes yang mengasumsikan setiap fitur bersifat independen.
Kata Kunci : ujaran kebencian, klasifikasi teks, seleksi fitur, Naïve Bayes, Mutual
Information

Item Type:	Thesis (Diploma)
Uncontrolled Keywords:	ujaran kebencian, klasifikasi teks, seleksi fitur, Naïve Bayes, Mutual Information
Subjects:	Q Science > Q Science (General)
Divisions:	Faculty of Engineering, Science and Mathematics > School of Engineering Sciences
Depositing User:	Eny Suparny
Date Deposited:	21 Aug 2023 03:09
Last Modified:	21 Aug 2023 03:17
URI:	http://eprints.upnyk.ac.id/id/eprint/36995

Actions (login required)

View Item