Klasifikasi Keluhan Masyarakat Terhadap Layanan Publik pada Harian Radar Tarakan

Authors

  • Indra Tri Saputra STMIK PPKIA Tarakanita Rahmawati

DOI:

https://doi.org/10.52985/insyst.v3i2.205

Keywords:

FRAM, Text Classification, Opinion Mining

Abstract

Website koran harian Radar Tarakan memiliki kolom dengan judul “Warga Menulis” di mana menu ini merupakan sarana bagi pembaca untuk menyampaikan keluhan ataupun aspirasi mereka.  Yang menjadi permasalahan, pesan pembaca atau opini yang ditampilkan bersifat to the point, hanya isi opini sesuai yang dikirim pembaca tanpa informasi tambahan kepada siapa opini tersebut ditujukan. Tujuan dari penelitian ini adalah melakukan klasifikasi data opini pada website koran harian Radar Tarakan khususnya opini yang berkaitan dengan fasilitas dan pelayanan publik. Klasifikasi merupakan suatu proses pengelompokkan data sesuai dengan kelas atau kategori yang telah ditentukan sebelumnya. Hipotesis yang dapat diambil adalah hasil klasifikasi diharapkan memiliki akurasi hingga 70%. Tahap awal dari proses klasifikasi yaitu preprocessing di mana pada tahap ini hal-hal yang dilakukan antara lain case folding, tokenizing, convert word, stopword removal (filtering) dan stemming. Algoritma yang digunakan dalam penelitian ini adalah Frequency Ratio Accumulation Method (FRAM). Pembuatan aplikasi menggunakan bahasa pemrograman PHP dan database MySQL. Hasil uji coba dari penelitian ini menunjukkan rata-rata akurasi yang diperoleh pada proses klasifikasi opini menggunakan algoritma FRAM adalah 60%. Besar kecilnya prosentase akurasi tergantung dari jumlah data latih yang digunakan. Semakin banyak jumlahnya dapat meningkatkan nilai akurasi akan tetapi hal ini akan berpengaruh terhadap efisiensi kinerja sistem.

References

R. Feldman, J. Sanger, and others, The text mining handbook: advanced approaches in analyzing unstructured data. Cambridge university press, 2007.

R. J. Mooney, “Machine Learning Text Categorization,” Austin Univ. Texas, 2006.

Fitria, Gunawan, and E. I. Setiawan, “Abstract Summarization Using Maximum Marginal Relevance and Vector Space Model.”

M. Suzuki, N. Yamagishi, T. Ishida, M. Goto, and S. Hirasawa, “On a new model for automatic text categorization based on vector space model,” in 2010 IEEE International Conference on Systems, Man and Cybernetics, 2010, pp. 3152–3159.

A. Indriani, E. Novianto, and others, “Weight Adjusted K-Nearest Neighbor dan Minimum Spanning Tree untuk Information Retrieval System di Perpustakaan STMIK PPKIA Tarakanita Rahmawati Tarakan,” in Seminar Nasional Aplikasi Teknologi Informasi (SNATI), 2013, vol. 1, no. 1.

G. Pant and P. Srinivasan, “Learning to crawl: Comparing classification schemes,” ACM Trans. Inf. Syst., vol. 23, no. 4, pp. 430–462, 2005.

J. Wang and A. An, “Classification Methods,” 2005, pp. 144–149.

A. Mahinovs, A. Tiwari, R. Roy, and D. Baxter, Text classification method review. 2007.

J. Han and M. Kamber, “Data Mining: Concepts and Techniques,” 2006.

M. Suzuki and S. Hirasawa, “Text categorization based on the ratio of word frequency in each categories,” in 2007 IEEE International Conference on Systems, Man and Cybernetics, 2007, pp. 3535–3540.

M. Suzuki, T. Ishida, and M. Goto, “Refinement of index term set and improvement of classification accuracy on text categorization,” in 2008 International Symposium on Information Theory and Its Applications, 2008, pp. 1–6.

B. T. Sharef, N. Omar, and Z. T. Sharef, “An automated arabic text categorization based on the frequency ratio accumulation.,” Int. Arab J. Inf. Technol., vol. 11, no. 2, pp. 213–221, 2014.

Downloads

Published

2021-10-01

How to Cite

Saputra, I. T. (2021). Klasifikasi Keluhan Masyarakat Terhadap Layanan Publik pada Harian Radar Tarakan. INSYST: Journal of Intelligent System and Computation, 3(2), 73–77. https://doi.org/10.52985/insyst.v3i2.205