Klasifikasi Berita Online Menggunakan Naive Bayes Classifier dengan Seleksi Fitur Mutual Information

Jumlah dokumen berita online dapat mencapai milyaran dokumen sehingga pengelompokan dokumen berita dibutuhkan untuk memudahkan penulis berita dalam melakukan input berita dan mengkategorikannya sesuai kategori yang ada. Penelitian ini dilakukan dengan mengimplementasikan metode Naïve Bayes Classifier sebagai pengklasifikasi dokumen dan seleksi fitur Mutual Information yang bertujuan mengetahui akurasi dari kombinasi kedua metode tersebut dalam pengklasifikasian berita online sehingga pengelompokan dokumen berita dapat dilakukan secara otomatis serta mendapatkan model klasifikasi yang lebih akurat. Data dibagi menjadi data training dan data testing. Untuk data training, digunakan data bulan Agustus, September dan Oktober 2016. Lalu data bulan November 2016 sebanyak 65 dokumen digunakan untuk testing data. Model Multivariate Bernoulli tanpa seleksi fitur menghasilkan hasil terbaik dengan accuracy sebesar 80%, precision sebesar 94.28%, recall sebesar 79.68% dan f-measure sebesar 85.08%. Sedangkan model klasifikasi menggunakan seleksi fitur Mutual Information juga diperoleh hasil maksimal pada model Multivariate Bernoulli dengan nilai accuracy sebesar 70%, precision sebesar 89.11%, recall sebesar 69.76% dan f-measure sebesar 78.04% dengan tingkat efisiensi kata mencapai 52% dari sebelum dilakukan seleksi fitur. Pada Multinomial Naïve Bayes tanpa seleksi fitur memberikan hasil dengan nilai accuracy sebesar 41.67%, precision sebesar 75.68%, recall sebesar 41.90% dan f-measure sebesar 48.13%, untuk model Multinomial Naïve Bayes menggunakan seleksi fitur Mutual Information diperoleh hasil dengan nilai accuracy sebesar 10%, precision sebesar 33.33%, recall sebesar 9.40% dan f-measure sebesar 14.35%