Search engine for discovering works of Art, research articles, and books related to Art and Culture
Javascript must be enabled to continue!
Klasifikasi Judul Berita Online Menggunakan Multinomial Naïve Bayes
View through CrossRef
Abstract:
News is defined as stories or information about current events. News can be classified into two categories, namely hard news and soft news. Generally, hard news refers to news topics that are timely, important and consequential. Meanwhile, soft news refers to information that is interesting, unique and entertaining. This research investigates online news headline classification using an enhanced Multinomial Naïve Bayes approach combined with SMOTE (Synthetic Minority Oversampling Technique) to address class imbalance issues. The results showed that out of 4,122 data collected, 3821 or 92.70% of news headlines were classified as hard news categories and 301 or 7.30% of other news headlines were classified as soft news categories. With an accuracy value of 91.5%, precision of 96.8%, recall of 93.8%, F1-Score of 95.2% and AUC value of 0.78 which shows Multinomial Naïve Bayes is good enough in distinguishing hard news and soft news categories, although it has not reached the optimal level.
Abstract:
Berita didefinisikan sebagai cerita atau informasi tentang peristiwa terkini. Berita dapat diklasifikasikan ke dalam dua kategori, yaitu berita keras (hard news) dan berita lunak (soft news). Umumnya, berita keras mengacu pada topik berita yang tepat waktu, penting, dan konsekuen. Sementara itu, berita lunak mengacu pada informasi yang menarik, unik, dan menghibur. Penelitian ini menyelidiki klasifikasi judul berita online menggunakan pendekatan Multinomial Naïve Bayes yang disempurnakan yang dikombinasikan dengan SMOTE (Synthetic Minority Oversampling Technique) untuk mengatasi masalah ketidakseimbangan kelas. Hasil penelitian menunjukkan bahwa dari 4.122 data yang dikumpulkan, 3821 atau 92,70% judul berita diklasifikasikan sebagai kategori hard news dan 301 atau 7,30% judul berita lainnya diklasifikasikan sebagai kategori soft news. Nilai akurasi sebesar 91.5%, precision sebesar 96.8%, recall sebesar 93.8%, F1-Score sebesar 95.2% dan nilai AUC sebesar 0.78 yang menunjukkan Multinomial Naïve Bayes sudah cukup baik dalam membedakan kategori hard news dan soft news, meskipun belum mencapai tingkat optimal.
Institut Agama Islam Negeri (IAIN) Palopo
Title: Klasifikasi Judul Berita Online Menggunakan Multinomial Naïve Bayes
Description:
Abstract:
News is defined as stories or information about current events.
News can be classified into two categories, namely hard news and soft news.
Generally, hard news refers to news topics that are timely, important and consequential.
Meanwhile, soft news refers to information that is interesting, unique and entertaining.
This research investigates online news headline classification using an enhanced Multinomial Naïve Bayes approach combined with SMOTE (Synthetic Minority Oversampling Technique) to address class imbalance issues.
The results showed that out of 4,122 data collected, 3821 or 92.
70% of news headlines were classified as hard news categories and 301 or 7.
30% of other news headlines were classified as soft news categories.
With an accuracy value of 91.
5%, precision of 96.
8%, recall of 93.
8%, F1-Score of 95.
2% and AUC value of 0.
78 which shows Multinomial Naïve Bayes is good enough in distinguishing hard news and soft news categories, although it has not reached the optimal level.
Abstract:
Berita didefinisikan sebagai cerita atau informasi tentang peristiwa terkini.
Berita dapat diklasifikasikan ke dalam dua kategori, yaitu berita keras (hard news) dan berita lunak (soft news).
Umumnya, berita keras mengacu pada topik berita yang tepat waktu, penting, dan konsekuen.
Sementara itu, berita lunak mengacu pada informasi yang menarik, unik, dan menghibur.
Penelitian ini menyelidiki klasifikasi judul berita online menggunakan pendekatan Multinomial Naïve Bayes yang disempurnakan yang dikombinasikan dengan SMOTE (Synthetic Minority Oversampling Technique) untuk mengatasi masalah ketidakseimbangan kelas.
Hasil penelitian menunjukkan bahwa dari 4.
122 data yang dikumpulkan, 3821 atau 92,70% judul berita diklasifikasikan sebagai kategori hard news dan 301 atau 7,30% judul berita lainnya diklasifikasikan sebagai kategori soft news.
Nilai akurasi sebesar 91.
5%, precision sebesar 96.
8%, recall sebesar 93.
8%, F1-Score sebesar 95.
2% dan nilai AUC sebesar 0.
78 yang menunjukkan Multinomial Naïve Bayes sudah cukup baik dalam membedakan kategori hard news dan soft news, meskipun belum mencapai tingkat optimal.
Related Results
Implementasi Algoritma Naïve Bayes Clasifier untuk Mengelompokkan Naskah Berita Pendidikan dan berita Covid-19
Implementasi Algoritma Naïve Bayes Clasifier untuk Mengelompokkan Naskah Berita Pendidikan dan berita Covid-19
Seiring dengan perkembangan jaman, banyak lembaga penyaluran informasi yang pada awalnya menyampaikan berita melalui media cetak atau media elektronik, seperti koran dan televisi, ...
Perfomance analysis of Naive Bayes method with data weighting
Perfomance analysis of Naive Bayes method with data weighting
Classification using naive bayes algorithm for air quality dataset has an accuracy rate of 39.97%. This result is considered not good and by using all existing data attributes. By ...
Framing Situs Berita Daring Lokal pada Pemilihan Gubernur Bengkulu 2020
Framing Situs Berita Daring Lokal pada Pemilihan Gubernur Bengkulu 2020
Situs berita daring lokal idealnya bersikap independen, independesinya harus terwujud dalam segala hal, terutama saat kontestasi pesta demokrasi. Pada 2020, Pemilihan Gubernur di B...
Analisis Sentimen Komentar YouTube pada Video Terkait Insiden Pengemudi Ojek Online dan Anggota Brimob Menggunakan Algoritma Naive
Analisis Sentimen Komentar YouTube pada Video Terkait Insiden Pengemudi Ojek Online dan Anggota Brimob Menggunakan Algoritma Naive
Media sosial telah menjadi ruang ekspresi publik yang dinamis, di mana masyarakat menyampaikan opini terhadap berbagai peristiwa aktual. Penelitian ini bertujuan untuk menganalisis...
Multinomial Naïve Bayes Classifier: Bayesian versus Nonparametric Classifier Approach
Multinomial Naïve Bayes Classifier: Bayesian versus Nonparametric Classifier Approach
This paper proposes a Naïve Bayes Classifier for Bayesian and nonparametric methods of analyzing multinomial regression. The Naïve Bayes classifier adopted Bayes’ rule for solving ...
Evaluation and Comparison of SVM, Deep Learning, and Naïve Bayes Performances for Natural Language Processing Text Classification Task
Evaluation and Comparison of SVM, Deep Learning, and Naïve Bayes Performances for Natural Language Processing Text Classification Task
Text classification is one of the most important task in natural language processing, In this research, we carried out several experimental research on three (3) of the most popula...
Ekstraksi Informasi Kesehatan Masyarakat Dari Tweet Berbahasa Indonesia Berbasis Klasifikasi Dengan Algoritma Naive Bayes
Ekstraksi Informasi Kesehatan Masyarakat Dari Tweet Berbahasa Indonesia Berbasis Klasifikasi Dengan Algoritma Naive Bayes
AbstrakKesehatan merupakan kebutuhan utama manusia. Di Indonesia terdapat permasalahan tentang kesehatan, yaitu meningkatnya penyakit menular dan penyakit tidak menular. Untuk men...
ANALISIS DAN PENERAPAN TOPIC MODELING PADA JUDUL TUGAS AKHIR MAHASISWA MENGGUNAKAN METODE LATENT DIRICHLET ALLOCATION (LDA)
ANALISIS DAN PENERAPAN TOPIC MODELING PADA JUDUL TUGAS AKHIR MAHASISWA MENGGUNAKAN METODE LATENT DIRICHLET ALLOCATION (LDA)
Tugas akhir menjadi syarat kelulusan bagi mahasiswa program studi Sistem Informasi, Fakultas Teknologi Informasi, Universitas Kristen Satya Wacana. Penentuan judul tugas akhir di p...