IMPLEMENTASI ANALISIS REGRESI LOGISTIK DENGAN METODE MACHINE LEARNING UNTUK MENGKLASIFIKASI BERITA DI INDONESIA
Abstract
Perkembangan internet sangat pesat, internet menjadi sumber informasi yang mudah untuk diakses seperti halnya berita. Perkembangan ini selain membawa dampak yang positif tentu juga dampak yang negatif di dalamnya. Penelitian ini bertujuan untuk mengetahui hasil evaluasi dan tingkat akurasi klasifikasi berita di Indonesia dengan menggunakan analisis regresi logistik beserta metode supervised learning. Data yang digunakan diperoleh dari data.mendeley.com diantaranya berita dengan total berita 600. Setelah dilakukan preprocessing data, diperoleh jumlah kata dalam dataset sebanyak 104.020 kata. Setelah membagi dataset menjadi data latih sebanyak 80% atau 480 data dan data uji sebanyak 20% atau 120 data, diperoleh hasil akurasi dalam mengklasifikasi berita menggunakan analisis regresi logistik dengan metode supervised learning sebesar 78,3%.
References
A. Yudi Permana. (2017). Implementasi Stemming Porter KBBI untuk Klasifikasi Topik Soal Ujian Nasional Bahasa Indonesia Menggunakan Algoritma Naive Bayes. Journal of Chemical Information and Modeling, 7(1), 17–24.
Amrin, A., & Saiyar, H. (2018). Aplikasi Diagnosa Penyakit Tuberculosis Menggunakan Algoritma Naive Bayes. JURIKOM (Jurnal Riset Komputer), 5(5), 498–502.
Catur Supriyanto, I. N. D. (2013). Klasifikasi Teks Pesan Spam Menggunakan Algoritma Naïve Bayes. Simantik 2013, 2013(November), 156–160.
Dewa Krisdaynata, R. (2022). Implementation of Self Training Classifier Using Logistic Regression in Classification of News Article Categories. Universitas Multimedia Nusantara.
Eaton, E. (2008). Introduction to Machine Learning What is Machine Learning. October, 1–17.
Fikriya, Z. A., Irawan, M. I., & Soetrisno, S. (2017). Implementasi extreme learning machine untuk pengenalan objek citra digital. Jurnal Sains Dan Seni ITS, 6(1), A1–A6.
Kurniawati. (2016). Term weighting berbasis indeks kelas menggunakan metode tf.idf.ics. Term Weighting Berbasis Indeks Kelas Menggunakan Metode TF.IDF.ICSF Untuk Perengkingan Dokumen Al-Quran. http://etheses.uin-malang.ac.id/3759/1/12650009.pdf
Kusuma, P. D. (2020). Machine Learning Teori, Program, dan Studi Kasus. Deepublish.
Mabruri, A. (2018). Produksi Program TV Drama Manajemen Produksi dan Penulisan Naskah. Jakarta: PT. Gramedia Widiasarana Indonesia.
Ozbay, F. A., & Alatas, B. (2020). Fake news detection within online social media using supervised artificial intelligence algorithms. Physica A: Statistical Mechanics and Its Applications, 540, 123174.
Pan, L.-Y., & Chiou, J.-S. (2011). How much can you trust online information? Cues for perceived trustworthiness of consumer-generated online information. Journal of Interactive Marketing, 25(2), 67–74.
Ratnawati, F. (2018). Implementasi Algoritma Naive Bayes Terhadap Analisis Sentimen Opini Film Pada Twitter. INOVTEK Polbeng-Seri Informatika, 3(1), 50–59.
Rian Hidayat. (2017). Uin Syarif Hidayatullah Jakarta Uin Syarif Hidayatullah Jakarta. 95, 1–28. http://repository.uinjkt.ac.id/dspace/bitstream/123456789/ 33026/1/NITA FITRIANI-FKIK.pdf
Ristekdik, K. (2018). Praktikum Data Mining. 1–6.
Suryawati, I. (2016). Jurnalistik Suatu Pengantar.
Trisna Astono Putri, T., Warra, H. S., Yanti Sitepu, I., & Sihombing, M. (2019). Analysis and Detection of Hoax Contents in Indonesian News Based on Machine Learning. Journal Of Informatics Pelita Nusantara, 4(1), 19–26. http://e-jurnal.pelitanusantara.ac.id/index.php/JIPN/article/view/489/291
Tsangaratos, P., & Ilia, I. (2016). Comparison of a logistic regression and Naïve Bayes classifier in landslide susceptibility assessments: The influence of models complexity and training dataset size. Catena, 145, 164–179.
Yusra, Y., & Fikry, M. (2018). Klasifikasi Tweet E-Commerce dengan Menggunakan Metode Support Vector Machine. Jurnal CoreIT: Jurnal Hasil Penelitian Ilmu Komputer Dan Teknologi Informasi, 4(2), 50. https://doi.org/10.24014/coreit.v4i2.5205
