Penggunaan Algoritma Naive Bayes Dalam Text Mining Untuk Klasifikasi Pasal UU ITE
DOI:
https://doi.org/10.53513/jsk.v6i2.7896Abstract
Saat ini, kemajuan informasi dan teknologi terus mengalami perkembangan yang pesat. Meskipun memberikan kemudahan bagi manusia, pengguna internet juga bisa mengalami risiko dalam keamanan dan privasi data mereka. Untuk mengatasi hal ini, UU ITE dibuat sebagai bentuk perlindungan bagi pengguna internet. Namun, masih banyak masyarakat yang melanggar peraturan dalam UU ITE. Untuk meningkatkan kesadaran pengguna internet, teknologi Machine Learning digunakan dengan metode Text Mining untuk mengklasifikasikan pelanggaran UU ITE berdasarkan teks kronologi pelanggaran dengan menggunakan algoritma Naive Bayes. Penelitian ini difokuskan pada pasal 27 dan 28 dengan total data sebanyak 245 kronologi pelanggaran. Pada implementasinya pada aplikasi web, menggunakan micro web framework Python yaitu Flask yang membantu dalam mengeksekusi teks kronologi dari text pre-processing, weighting, learning, dan testing sehingga menghasilkan informasi mengenai ancaman pasal yang mempunyai probabilitas tinggi untuk dilanggar. Hasil penelitian menunjukkan akurasi sebesar 80% dengan 196 total data latih dan 49 total data uji. Hal ini menunjukkan bahwa algoritma Naive Bayes mampu menghasilkan tingkat akurasi yang tinggi dalam mengklasifikasikan sebuah teks.References
W. Van der Aalst, “Process mining: Data science in action,†Process Min. Data Sci. Action, no. April 2014, hal. 1–467, 2016, doi: 10.1007/978-3-662-49851-4.
E. Moriesta, Selviani, dan A. Ibrahim, “Analisis Penyaringan Email Spam Menggunakan Metode Naive Bayes,†Pros. Annu. Res. Semin. 2017, vol. 3, no. 1, hal. 45–48, 2017.
F. Handayani dan S. Pribadi, “Implementasi Algoritma Naive Bayes Classifier dalam Pengklasifikasian Teks Otomatis Pengaduan dan Pelaporan Masyarakat melalui Layanan Call Center 110,†J. Tek. Elektro, vol. 7, no. 1, hal. 19–24, 2015, doi: 10.15294/jte.v7i1.8585.
R. Susanto dan A. D. Andriana, “Perbandingan Model Waterfall Dan Prototyping Untuk Pengembangan Sistem Informasi,†NIKOM, vol. 14, no. 1, hal. 41–46, 2016.
M. F. Rifai, H. Jatnika, dan B. Valentino, “Penerapan Algoritma Naïve Bayes Pada SistemPrediksi Tingkat Kelulusan Peserta Sertifikasi Microsoft Office Specialist (MOS),†PETIR (Jurnal Pengkaj. Dan Penerapan Tek. Inform., vol. 12, no. 2, 2019.
A. Kurniawan, Indriati, dan S. Adinugroho, “Analisis Sentimen Opini Film Menggunakan Metode Naïve Bayes dan Lexicon Based Features,†J. Pengemb. Teknol. Inf. dan Ilmu Komput., vol. 3, no. 9, 2019.
D. Rustiana dan N. Rahayu, “Analisis Sentimen Pasar Otomotif Mobil: Tweet Twitter Menggunakan Naïve Bayes,†Simetris J. Tek. Mesin, Elektro Dan Ilmu Komput., vol. 8, no. 1, 2017.
D. F. Zhafira, B. Rahayudi, dan Indriati, “No TitleAnalisis Sentimen Kebijakan Kampus Merdeka Menggunakan Naive Bayes dan Pembobotan TF-IDF Berdasarkan Komentar pada Youtube,†J. Sist. Informasi, Teknol. Informasi, dan Edukasi Sist. Inf., vol. 2, no. 1, 2021.
H. Christian, M. P. Agus, dan D. Suhartono, “Single Document Automatic Text Summarization using Term Frequency-Inverse Document Frequency (TF-IDF),†ComTech Comput. Math. Eng. Appl., vol. 7, no. 4, hal. 285, 2016, doi: 10.21512/comtech.v7i4.3746.
K. D. Putung, A. S. Lumenta, dan A. Jacobus, “Penerapan sistem temu kembali informasi pada kumpulan dokumen skripsi,†J. Tek. Inform., vol. 8, no. 1, 2016.
A. Rahman dan A. Doewes, “Online News Classification Using Multinomial Naive Bayes,†ITSMART J. Ilm. Teknol. dan Inf., vol. 6, no. 1, hal. 32–38, 2017.
Muljono, D. P. Artanti, A. Syukur, A. Prihandono, dan D. R. I. M. Setiadi, “Analisa Sentimen Untuk Penilaian Pelayanan Situs Belanja Online Menggunakan Algoritma Naïve Bayes,†2018.
