perpustakaan.uns.ac.id digilib.uns.ac fileTwitter API terdiri dari dua komponen yang berbeda, ......

perpustakaan.uns.ac.id digilib.uns.ac.id

commit to user

5

BAB II

TINJAUAN PUSTAKA

2.1. Landasan Teori

2.1.1. Twitter API

Twitter API terdiri dari dua komponen yang berbeda, REST dan SEARCH

API. REST API memungkinkan pengembang/developer Twitter untuk mengakses

data core Twitter (tweet, timeline, user data). Sedangkan SEARCH API digunakan

untuk membuat query tweet (Wardhani, 2012).

2.1.2. Text Mining

Text mining merupakan variasi dari data mining yang digunakan untuk

menemukan pola tertentu dari sekumpulan besar data tekstual (Feldman & Sanger,

2007). Salah satu langkah yang dilakukan dalam text mining adalah text

preprocessing.

Tindakan yang dilakukan pada tahap text preprocessing adalah

toLowerCase, yaitu mengubah semua karakter huruf menjadi huruf kecil serta

tokenizing, yaitu proses pemecahan kalimat menjadi token berupa kata atau term,

dimana setiap term dipisahkan oleh delimiter. Tanda titik (.), koma (,), spasi ( )

dan karakter angka yang ada pada kalimat dapat dianggap sebagai delimiter

(Weiss et al., 2005)

2.1.3. Jaro-Winkler Distance

Salah satu metode similaritas yang digunakan untuk mendeteksi kesamaan

dua dokumen adalah Jaro metric. Dalam penelitian persamaan dokumen,

didapatkan hasil yang baik dengan menggunakan metode Jaro, yang didasarkan

pada jumlah dan urutan karakter yang sama antara dua dokumen (Jaro, 1989).

Algoritma Jaro mendefinisikan ‗karakter yang sama‘ sebagai karakter pada

kedua string yang sama dan memenuhi ketentuan jarak teoritis (Jaro, 1989). Jarak

teoritis dua buah karakter yang disamakan dapat dibenarkan jika tidak melebihi

nilai persamaan berikut ini:

⌊max(|𝑠1|,|𝑠2|)

2⌋ − 1 (2.1)


commit to user

6

Persamaan di bawah ini menunjukkan rumus untuk menghitung jarak (dj)

antara dua string yaitu s1 dan s2 pada algoritma Jaro.

𝑑𝑗 =1

3× (

𝑚

|𝑠1|+

𝑚

|𝑠2|+

𝑚−𝑡

𝑚) (2.2)

dimana:

m = jumlah karakter yang sama dan memenuhi kriteria

|s1| = panjang string 1

|s2| = panjang string 2

t = jumlah transposisi

Pengembangan dari algoritma Jaro berdasarkan Winkler menggunakan

nilai panjang prefix yang sama di awal string dengan nilai maksimal adalah 4 (l)

(Winkler, 1999).

Persamaan di bawah ini menunjukkan nilai Jaro-Winkler distance (dw) bila

string s1 dan s2 yang diperbandingkan.

𝑑𝑤 = 𝑑𝑗 + (𝑙𝑝(1 − 𝑑𝑗)) (2.3)

dimana:

dj = Jaro distance untuk string s1 dan s2

l = panjang prefix umum di awal string (panjang karakter yang sama sebelum

ditemukan ketidaksamaan, maksimal 4)

p = konstanta scaling factor. Nilai standar untuk konstanta ini menurut Winkler

adalah p = 0.1.

Semakin tinggi Jaro-Winkler distance untuk dua string maka semakin

mirip kedua string tersebut. Nilai terendah Jaro-Winkler distance adalah 0 yang

menandakan tidak ada kesamaan antara kedua string. Nilai tertingginya adalah 1

yang menunjukkan kedua string sama persis (Kurniawati et al., 2010).

2.1.4. Naïve Bayes Classifier

Naïve Bayes Classifier adalah algoritma klasifikasi probabilitas sederhana

berdasarkan pada teorema Bayes dengan asumsi yang sangat kuat (naïf) akan

independensi dari masing-masing kondisi. Naive Bayes Classifier dikenal sebagai

algoritma klasifikasi Bayes sederhana (Lewis, 1992).


commit to user

7

Pada teorema Bayes, bila terdapat dua kejadian yang terpisah (misalkan A

dan B), maka teorema Bayes dirumuskan sebagai berikut:

𝑷(𝑨|𝑩) = 𝑷(𝑨)

𝑷(𝑩)𝑷(𝑩|𝑨) (2.4)

Teorema Bayes sering pula dikembangkan mengingat berlakunya hukum

probabilitas total menjadi seperti berikut:

𝑷(𝑨|𝑩) =𝑷(𝑨)𝑷(𝑩|𝑨)

∑ 𝑷(𝑨𝒊|𝑩)𝒏𝒊=𝟏

(2.5)

dimana A1UA2U … UAn = S.

Untuk menjelaskan teorema Naïve Bayes, perlu diketahui bahwa proses

klasifikasi memerlukan sejumlah petunjuk untuk menentukan kelas apa yang

cocok bagi sampel yang dianalisis tersebut. Karena itu, teorema Bayes diatas

disesuaikan sebagai berikut:

𝑷(𝑪|𝑭𝟏, … , 𝑭𝒏) =𝑷(𝑪)𝑷(𝑭𝟏,…,𝑭𝒏|𝑪)

𝑷(𝑭𝟏,…,𝑭𝒏) (2.6)

Dimana variabel C merepresentasikan kelas, sementara variabel F1…Fn

merepresentasikan karakteristik-karakteristik petunjuk yang dibutuhkan untuk

melakukan klasifikasi. Maka rumus tersebut menjelaskan bahwa peluang

masuknya sampel dengan karakteristik tertentu dalam kelas C (posterior) adalah

peluang munculnya kelas C (sebelum masuknya sampel tersebut, seringkali

disebut prior), dikali dengan peluang kemunculan karakteristik-karakteristik

sampel pada kelas C (disebut juga likelihood), dibagi dengan peluang kemunculan

karakteristik-karakteristik sampel secara global (disebut juga evidence). Sehingga

rumus diatas dapat juga ditulis secara sederhana sebagai berikut:

𝑷𝒐𝒔𝒕𝒆𝒓𝒊𝒐𝒓 =𝒑𝒓𝒊𝒐𝒓×𝒍𝒊𝒌𝒆𝒍𝒊𝒉𝒐𝒐𝒅

𝒆𝒗𝒊𝒅𝒆𝒏𝒄𝒆 (2.7)

Nilai evidence selalu tetap untuk setiap kelas pada satu sampel. Nilai dari

posterior tersebut yang nantinya akan dibandingkan dengan nilai-nilai posterior

kelas lainnya untuk menentukan ke kelas apa suatu sampel akan diklasifikasikan.

Penjabaran lebih lanjut rumus Bayes tersebut dilakukan dengan

menjabarkan P(F1, …, Fn|C) menggunakan aturan perkalian menjadi sebagai

berikut:

𝑷(𝑭𝟏, … , 𝑭𝒏|𝑪) = 𝑷(𝑭𝟏|𝑪)𝑷(𝑭𝟐, … , 𝑭𝒏|𝑪, 𝑭𝟏)


commit to user

8

= 𝑷(𝑭𝟏|𝑪)𝑷(𝑭𝟐|𝑪, 𝑭𝟏)𝑷(𝑭𝟑, … 𝑭𝒏|𝑪, 𝑭𝟏, 𝑭𝟐)

= 𝑷(𝑭𝟏|𝑪)𝑷(𝑭𝟐|𝑪, 𝑭𝟏) … 𝑷(𝑭𝒏|𝑪, 𝑭𝟏, 𝑭𝟐, … , 𝑭𝒏−𝟏) (2.8)

Dapat dilihat bahwa hasil penjabaran tersebut menyebabkan semakin

banyak dan semakin kompleksnnya faktor-faktor syarat yang mempengaruhi nilai

probabilitas, yang hampir mustahil untuk dianalisa satu per satu. Akibatnya,

perhitungan tersebut menjadi sulit untuk dilakukan.

Disinilah digunakan asumsi independensi yang sangat tinggi (naïf), bahwa

masing-masing petunjuk (F1, F2, …, Fn) saling bebas (independen) satu sama lain.

Dengan asumsi tersebut, maka berlaku suatu kesamaan sebagai berikut:

𝑷(𝑭𝒊|𝑭𝒋) =𝑷(𝑭𝒊∩𝑭𝒋)

𝑷(𝑭𝒋)=

𝑷(𝑭𝒊)𝑷(𝑭𝒋)

𝑷(𝑭𝒋)= 𝑷(𝑭𝒊) (2.9)

untuk i ≠ j, sehingga:

𝑷(𝑭𝒊|𝑪, 𝑭𝒋) = 𝑷(𝑭𝒊|𝑪) (2.10)

Dari persamaan di atas dapat disimpulkan bahwa asumsi independensi naïf

tersebut membuat syarat peluang menjadi sederhana, sehingga perhitungan

menjadi mungkin untuk dilakukan. Selanjutnya, penjabaran P(F1,…,Fn|C) dapat

disederhanakan menjadi seperti berikut:

𝑷(𝑭𝟏 … 𝑭𝒏|𝑪) = 𝑷(𝑭𝟏|𝑪)𝑷(𝑭𝟐|𝑪) … 𝑷(𝑭𝒏|𝑪)

= ∏ 𝑷(𝑭𝒊|𝑪)𝒏𝒊=𝟏 (2.11)

Dengan kesamaan diatas, persamaan teorema Bayes dapat dituliskan

sebagai berikut:

𝑷(𝑪|𝑭𝟏 … 𝑭𝒏) =𝟏

𝑷(𝑭𝟏, 𝑭𝟐, … , 𝑭𝒏)𝑷(𝑪) ∏ 𝑷(𝑭𝒊|𝑪)

𝒏

𝒊=𝟏

𝑷(𝑪|𝑭𝟏 … 𝑭𝒏) =𝑷(𝑪)

𝒔𝒁∏ 𝑷(𝑭𝒊|𝑪)𝒏

𝒊=𝟏 (2.12)

Persamaan diatas merupakan model dari teorema Naïve Bayes yang

selanjutnya akan digunakan dalam proses klasifikasi dokumen. Adapun Z

merepresentasikan evidence yang nilainya konstan untuk semua kelas pada satu

sampel.

Penentuan kelas yang cocok bagi suatu sampel dilakukan dengan cara

membandingkan nilai posterior untuk masing-masing kelas dan mengambil kelas


commit to user

9

dengan nilai posterior tertinggi. Secara matematis, klasifikasi dirumuskan sebagai

berikut:

𝑪𝑵𝑩 = 𝒂𝒓𝒈𝒎𝒂𝒙𝒄∈𝑪𝑷(𝑪) ∏ 𝑷(𝑭𝒊|𝑪)𝒏𝒊=𝟏 (2.13)

dengan c yaitu variabel kelas yang tergabung dalam suatu himpunan kelas C.

Dapat dilihat bahwa rumusan diatas tidak memuat nilai evidence (Z). Hal

ini disebabkan karena evidence memiliki nilai yang positif dan tetap untuk semua

kelas sehingga tidak mempengaruhi perbandingan nilai posterior. Karena itu,

faktor Z ini dapat dihilangkan. Algoritma Naïve Bayes Classifier ini dapat

digunakan bila sebelumnya telah tersedia data yang dijadikan acuan untuk

melakukan klasifikasi (Natalius, 2010).

2.1.5. Laplacian Smoothing

Untuk mengatasi nilai probabilitas kondisional pada Naïve Bayes

Classifier yang dapat saja bernilai 0, digunakan teknik smoothing. Salah satu

teknik smoothing sederhana yang kerap diterapkan pada algoritma Naïve Bayes

Classifier adalah Laplacian Smoothing. Cara yang digunakan pada teknik

Laplacian Smoothing adalah dengan cara menambahkan angka 1 pada

perhitungan Likelihood (Dai et al., 2007).

Sehingga untuk algoritma Naïve Bayes Classifier, perhitungan nilai

Likelihood menjadi seperti berikut ini:

𝑃(𝐹𝑖|𝐶) =1+𝑛(𝐹𝑖,𝐶)

|𝑊|+ 𝑛(𝐶) (2.14)

dimana n(Fi,C) adalah jumlah term Fi yang ditemukan di seluruh data

pelatihan dengan kategori C, n(C) adalah jumlah term di seluruh data pelatihan

dengan kategori C, dan |W| adalah jumlah seluruh term dari seluruh data pelatihan

(Dai et al., 2007).

2.1.6. Vector Space Model

Representasi satu set dokumen sebagai vector dalam ruang vektor dikenal

sebagai Vector Space Model (VSM) dan merupakan dasar untuk sejumlah operasi

pengambilan informasi seperti penilaian dokumen dalam query, klasifikasi dan

clustering dokumen (Manning et al., 2009).


commit to user

10

VSM digunakan untuk mengukur kemiripan antara dua buah dokumen.

Dokumen merupakan vector berdimensi n dan parameter t adalah semua term

yang ditemukan dalam vocabulary tanpa duplikasi (Isa & Abidin, 2013).

Gambar 2.1 memperlihatkan tiga buah vector pada ruang dimensi 3. Nilai

kosinus digunakan untuk mengukur tingkat kesamaan antar dua vector. Pada

gambar 2.1, P1 adalah vektor dari dokumen pembanding, sementara P2 dan P3

adalah vektor dari dokumen yang dibandingkan.

Gambar 2.1 Vector Space Model (Isa & Abidin, 2013)

2.1.7. Pembobotan TF x IDF

Term Frequency (TF) adalah jumlah kemunculan term t pada dokumen d,

yang dirumuskan sebagai freq(d, t). Matriks bobot term frequency atau TF(d,t)

menunjukkan hubungan antara term t dengan dokumen d, dimana jika dokumen d

tidak mengandung term t maka bobotnya bernilai 0, dan sebaliknya. Fungsi di

bawah ini menunjukkan perhitungan nilai TF (Han & Kamber, 2006).

𝑇𝐹(𝑑, 𝑡) = 𝑓𝑟𝑒𝑞 (𝑑, 𝑡) (2.15)

Document Frequency (DF) merupakan jumlah dokumen yang

mengandung term t. Inverse Document Frequency (IDF) menunjukkan

pembobotan dari term t. Term yang jarang muncul dalam dokumen memiliki nilai

IDF yang tinggi, sementara term yang sering muncul dalam dokumen memiliki

nilai IDF yang lebih rendah. Fungsi di bawah ini menunjukkan perhitungan nilai

IDF (Manning et al., 2009):

𝐼𝐷𝐹 (𝑡) = log𝑁

𝑑𝑓(𝑡) (2.16)


commit to user

11

Nilai TF-IDF dalam Vector Space Model dihitung dengan fungsi sebagai

berikut (Han & Kamber, 2006):

𝑻𝑭𝑰𝑫𝑭(𝒅, 𝒕) = 𝑻𝑭 (𝒅, 𝒕) × 𝑰𝑫𝑭(𝒕) (2.17)

2.1.8. Cosine Similarity

Untuk menghitung kesamaan antara kedua dokumen dalam vector space,

maka akan dihitung nilai cosine similarity dari representasi vektor kedua dokumen

(Manning et al., 2009).

Sim(P1,P2) = Cos θ = P1∙P2

|P1||P2| (2.18)

Pada fungsi diatas, pembilang merepresentasikan nilai dot product dari

kedua vektor, sedangkan penyebut merepresentasikan nilai perkalian dari

Euclidean length kedua vektor. Nilai dot product dari kedua vektor dapat dicari

dengan fungsi sebagai berikut (Manning et al., 2009):

P1∙P2 = ∑ P1iP2i

Mi=1 (2.19)

Sedangkan nilai Euclidean length dari vector P dapat dicari dengan fungsi

di bawah ini (Manning et al., 2009):

|P|= √∑ Pi2M

i=1 (2.20)

Jika nilai cosine similarity dari kedua vector adalah 1 maka kedua

dokumen adalah sama persis. Jika nilai cosine similarity adalah 0 maka dapat

dikatakan bahwa kedua dokumen tidak sama.

2.1.9. Confusion Matrix

Confusion matrix merupakan matriks yang menampilkan prediksi

klasifikasi dan klasifikasi yang aktual. Confusion matrix berukuran LxL, dimana L

adalah jumlah label klasifikasi yang berbeda. Tabel di bawah ini menunjukkan

confusion matrix untuk L=2 (Kohavi & Provost, 1998).

Tabel 2.1 Confusion Matrix untuk L = 2 (Kohavi & Provost, 1998)

Prediksi

Aktual

Negatif Positif

Negatif a b

Positif c d


commit to user

12

Nilai akurasi didapatkan dari rumus di bawah ini:

𝑨𝒌𝒖𝒓𝒂𝒔𝒊 = 𝒂+𝒅

𝒂+𝒃+𝒄+𝒅 (2.21)

Nilai true positive rate didapatkan dari rumus di bawah ini:

𝑻𝒓𝒖𝒆 𝒑𝒐𝒔𝒊𝒕𝒊𝒗𝒆 𝒓𝒂𝒕𝒆 = 𝒅

𝒄+𝒅 (2.22)

Nilai true negative rate didapatkan dari rumus di bawah ini:

𝑻𝒓𝒖𝒆 𝒏𝒆𝒈𝒂𝒕𝒊𝒗𝒆 𝒓𝒂𝒕𝒆 = 𝒂

𝒂+𝒃 (2.23)

Nilai false positive rate didapatkan dari rumus berikut:

𝑭𝒂𝒍𝒔𝒆 𝒑𝒐𝒔𝒊𝒕𝒊𝒗𝒆 𝒓𝒂𝒕𝒆 = 𝒃

𝒂+𝒃 (2.24)

Nilai false negative rate didapatkan dari rumus di bawah ini:

𝑭𝒂𝒍𝒔𝒆 𝒏𝒆𝒈𝒂𝒕𝒊𝒗𝒆 𝒓𝒂𝒕𝒆 = 𝒄

𝒄+𝒅 (2.25)

Gambar 2.2 menunjukkan perubahan dari extended confusion matrix

berukuran 3x3 menjadi berukuran 2x2, dengan kelas ‗A‘ sebagai kelas positif dan

kelas ‗Not A‘ sebagai kelas negatif.

Gambar 2.2 Extended confusion matrix 3x3 (Felkin, 2007)

2.2. Penelitian Terkait

1. Is Naïve Bayes a Good Classifier for Document Classification? (Ting et

al., 2011)

Penelitian ini dilakukan untuk melihat performa metode Naïve Bayes

pada klasifikasi dokumen.

Hasil menunjukkan bahwa Naïve Bayes merupakan metode klasifikasi

paling baik jika dibandingkan dengan metode lain seperti decision tree,

neural network dan support vector machines dalam hal akurasi dan

efisiensi komputasi. Penggunaan metode Naïve Bayes dalam proses


commit to user

13

klasifikasi dapat mencapai keakuratan hingga 97%, sementara metode lain

memiliki tingkat keakuratan dibawah 97%. Jika sebelum klasifikasi

dilakukan proses preprocessing dan feature selection maka keakuratan

metode klasifikasi Naïve Bayes dapat mencapai 97%, namun jika kedua

proses tersebut tidak dilakukan maka keakuratannya mencapai 96.9%.

2. Klasifikasi Teks Dengan Naïve Bayes Classifier (NBC) Untuk

Pengelompokan Teks Berita dan Abstract Akademis (Hamzah, 2012)

Penelitian ini mengkaji kinerja metode Naïve Bayes Classifier untuk

kategorisasi teks berita dan teks akademik. Penelitian menggunakan data

1000 dokumen berita dan 450 dokumen abstrak akademik. Hasil penelitian

menunjukkan pada dokumen berita, akurasi maksimal dicapai 91% dengan

dokumen latih sebanyak 900 dokumen dan dokumen uji sebanyak 100

dokumen. Sedangkan pada dokumen akademik, akurasi maksimal dicapai

82% dengan dokumen latih sebanyak 405 dokumen dan dokumen uji

sebanyak 45 dokumen. Sementara baik pada dokumen berita maupun

dokumen akademik, penggunaan 50% dokumen sebagai dokumen

pelatihan memberikan kinerja akurasi diatas 75%. Algoritma NBC

memiliki kinerja yang baik untuk klasifikasi dokumen teks, baik dokumen

berita maupun dokumen akademik.

3. Comparison Between The Probabilistic and Vector Space Model For Spam

Filtering (Bansal, 2012)

Penelitian ini berfokus pada perbandingan dua buah metode yakni

metode probabilistic dan vector space model untuk penyaringan spam

pada surat elektronik. Hasil yang didapatkan adalah metode probabilistic

memiliki tingkat kemudahan, fleksibilitas dan performa yang lebih baik

dibandingkan dengan metode vector space model.

4. Mengukur Tingkat Kesamaan Paragraf Menggunakan Vector Space Model

Untuk Mendeteksi Plagiarisme (Isa & Abidin, 2013)

Penelitian ini dilakukan untuk mendeteksi kesamaan antar dokumen.

Similaritas setiap paragraf dalam dokumen dihitung dengan menggunakan


commit to user

14

algoritma vector space model. Dokumen yang digunakan sebanyak 52876

dokumen yang berasal dari repository beberapa universitas di Indonesia.

Pengujian algoritma dilakukan menggunakan beberapa jenis query,

yaitu query satu kata, dua kata dan tiga kata. Total query adalah 15,

masing-masing 5 query untuk setiap jenis.

Kemiripan antar paragraf dibagi menjadi tiga kelompok yaitu

kemiripan dengan similaritas rendah, sedang dan tinggi. Similaritas sedang

memiliki nilai similaritas antara 50-65.99%, similaritas sedang memiliki

nilai kesamaan antara 66-80.99%, sedangkan similaritas tinggi memiliki

nilai kemiripan antara 81-100%.

Hasil kajian menggunakan query satu kata menunjukkan bahwa

pasangan paragraf dalam kelompok similaritas tinggi lebih banyak

dibanding dengan pasangan paragraf dengan similaritas sedang dan

rendah. Hasil query dua kata menunjukkan hasil bahwa jumlah pasangan

paragraf dengan similaritas tinggi lebih banyak bila dibanding dengan

similaritas rendah dan sedang. Hasil query dengan tiga kata menunjukkan

bahwa pasangan paragraf dengan similaritas tinggi dapat dideteksi dengan

baik. Hasil rata-rata similaritas untuk semua query menunjukkan bahwa

pasangan paragraf dengan tingkat similaritas tinggi dapat dideteksi dengan

baik.

Kesimpulan dalam penelitian ini adalah algoritma vector space model

dapat mendeteksi dengan baik kesamaan dokumen melalui kesamaan

paragraf dalam dokumen.

2.3. Kerangka Pemikiran

Berdasarkan penelitian tersebut, penelitian yang akan dilakukan adalah

mengklasifikasikan data berupa mentions Twitter menjadi keluhan, berita dan

spam dengan menggunakan algoritma Naïve Bayes Classifier. Selanjutnya, setiap

mentions yang diklasifikasikan sebagai keluhan akan dikelompokkan berdasarkan

kesamaan term dengan algoritma Cosine Similarity. Rekomendasi solusi

kemudian akan diberikan terhadap setiap mentions yang diklasifikasikan sebagai

keluhan.


commit to user

15

Tabel di bawah ini menunjukkan matriks penelitian dari penelitian terkait

yang ada.

Tabel 2.2 Matriks penelitian

No. Penulis (Tahun) Judul Metode Hasil

1. S.L. Ting

W.H. Ip

A.H.C. Tsang

(2011)

Is Naïve Bayes a

Good Classifier for

Document

Classification?

Naïve Bayes

Decision Tree

Neural Network

Support Vector

Machines

Naïve Bayes merupakan

metode klasifikasi paling baik

jika dibandingkan dengan

metode lain seperti decision

tree, neural network dan

support vector machines

dalam hal akurasi dan

efisiensi komputasi.

2. Amir Hamzah

(2012)

Klasifikasi Teks

Dengan Naïve

Bayes Classifier

(NBC) Untuk

Pengelompokan

Teks Berita dan

Abstract Akademis

Naïve Bayes

Classifier

Pada dokumen berita, akurasi

maksimal dicapai 91%

dengan 900 dokumen

pelatihan dan 100 dokumen

pengujian. Pada dokumen

akademik, akurasi maksimal

dicapai 82% dengan 405

dokumen pelatihan dan 45

dokumen pengujian.

3. S. Bansal

(2012)

Comparison

Between The

Probabilistic and

Vector Space Model

For Spam Filtering

Probabilistic

Vector Space

Model

Metode probabilistic

memiliki tingkat kemudahan,

fleksibilitas dan performa

yang lebih baik dibandingkan

metode Vector Space Model.

4. T.M. Isa

T.F. Abidin

(2013)

Mengukur Tingkat

Kesamaan Paragraf

Menggunakan

Vector Space Model

Untuk Mendeteksi

Plagiarisme

Vector Space

Model

Algoritma Vector Space

Model dapat mendeteksi

dengan baik kesamaan

dokumen melalui kesamaan

paragraf dalam dokumen.

5. Aisha Alfiani M.

(2014)

Sistem Klasifikasi

Feedback

Pelanggan Dan

Rekomendasi

Solusi Atas

Keluhan Di UPT

Puskom UNS

Dengan Algoritma

Naïve Bayes

Classifier Dan

Cosine Similarity

Naïve Bayes

Classifier

Cosine

Similarity

?

perpustakaan.uns.ac.id digilib.uns.ac fileTwitter API terdiri dari dua komponen yang berbeda, ......

Documents

Transcript of perpustakaan.uns.ac.id digilib.uns.ac fileTwitter API terdiri dari dua komponen yang berbeda, ......