Implementasi Ekstraksi Fitur untuk Pengelompokan Dokumen Proposal Menggunakan Algoritma Naïve Bayes

Abstract

Text mining merupakan proses penemuan informasi yang baru yang belum diketahui sebelumnya dari beberapa dokumen teks. Text mining dapat diterapkan pada bidang ekstraksi informasi, pelacakan topik, perangkuman dokumen, membuat kategorisasi atau pengelompokan dokumen, concept linking atau question answering system. Salah satu yang sering dilakukan dalam mengimplementasikan text mining adalah ekstraksi informasi. Extraksi informasi bertujuan untuk mengambil informasi dari dokumen yang tidak terstruktur menjadi data yang terstruktur, dengan tujuan untuk memudahkan melakukan analisis dari data tersebut. Aktifitas Pengabdian kepada Masyarakat (PkM) diawali dengan pembuatan proposal yang diunggah ke dalam system informasi dalam bentuk dokumen teks. Untuk melihat informasi topik, lokasi dan informasi lainnya dari dokumen tersebut harus dibuka satu per satu, sehingga memakan waktu. Pada penelitian ini ektraksi fitur akan digunakan untuk mengambil fitur dari dokumen proposal PkM dengan menggunakan algoritma Frequent Itemset Mining (FIM). Fitur yang diambil adalah Judul , Abstrak, Tahun Pengabdian, Lokasi, dan topik penelitian. Setelah didapatkan fitur akan dilakukan pengelompokkan topik pengabdian dengan menggunakan algoritma Naive Bayes. Hasil dari penelitian ini dilakukan pengujian dengan confusion matrix, dengan hasil akurasi sebesar 70%. Faktor yang mempengaruhi hasil akurasi diantaranya adalah jumlah data training, sebaran data taining, dan optimasi algoritma yang digunakan. Hasil pengelompokkan ini sangat bermanfaat bagi pengelola aktifitas PkM dalam melihat sebaran data terkait topik, mitra, lokasi dan lain sebagainya.