Article Per Year (5 Year)
p-Index From 2021 - 2026
3.215
P-Index
This Author published in this journals
All Journal Seminar Nasional Aplikasi Teknologi Informasi (SNATI) JUTI: Jurnal Ilmiah Teknologi Informasi Transformasi: Jurnal Pengabdian Masyarakat Seminar Nasional Informatika (SEMNASIF) Register: Jurnal Ilmiah Teknologi Sistem Informasi Indonesia Symposium on Computing Indonesian Journal on Computing (Indo-JC) SISFOTENIKA Paradigma JURNAL MEDIA INFORMATIKA BUDIDARMA Masyarakat Telematika Dan Informasi : Jurnal Penelitian Teknologi Informasi dan Komunikasi Jurnal Sisfokom (Sistem Informasi dan Komputer) INTEK: Jurnal Penelitian Jurnal Linguistik Komputasional EDUMATIC: Jurnal Pendidikan Informatika Building of Informatics, Technology and Science Jurnal Teknologi Informasi dan Terapan (J-TIT) JOURNAL OF INFORMATION SYSTEM RESEARCH (JOSH) Journal of Computer System and Informatics (JoSYC) Charity : Jurnal Pengabdian Masyarakat KLIK: Kajian Ilmiah Informatika dan Komputer eProceedings of Engineering Jurnal INFOTEL
Moch Arif Bijaksana
Universitas Telkom, Bandung, Indonesia
Religion Arts Humanities Computer Science & IT Control & Systems Engineering Decision Sciences, Operations Research & Management Dentistry Education Electrical & Electronics Engineering Engineering Environmental Science Industrial & Manufacturing Engineering Library & Information Science Mathematics Social Sciences

Published : 107 Documents Claim Missing Document
Claim Missing Document
Check
Articles

Found 107 Documents
Search

 4   5   6   7   8 
Opinion Extraction Dengan Menggunakan Pendekatan Pattern Rule Sendika Panji Anom; Warih Maharani; Moch. Arif Bijaksana
eProceedings of Engineering Vol 2, No 2 (2015): Agustus, 2015
Publisher : eProceedings of Engineering

Show Abstract | Download Original | Original Source | Check in Google Scholar

Abstract

Abstrak Opinion mining merupakan topik yang sedang marak dilakukan saat ini. Opinion mining merupakan cabang penelitian dari text mining yang berfokus dalam analisis opini dari suatu dokumen teks. Dunia bisnis saat ini menggunakan opinion mining untuk menganalisis secara otomatis opini pelanggan tentang produk dan pelayanannya dan melakukan klasifikasi opini positif dan negatif. Salah satu cara untuk menerapkan opinion mining adalah Opinion extraction. Cara ini digunakan untuk mendeteksi dimana terdapat sebuah kata kata opini dalam suatu dokumen atau kalimat. Tahap ini mempunyai beberapa pendekatan dalam penerapannya, pada tugas akhir ini menggunakan pattern rule sebagai metode pendekatan. Pedekatan ini digunakan untuk ekstraksi fitur dan opini dalam kalimat dengan mencocokan susunan kalimat dengan pola pengetahuan. Pendekatan ini dapat mengekstraksi kandidat fitur dan opini sekaligus dari sebuah dokumen atau kalimat kemudian dilakukan klasifikasi opini positif negatif berdasarkan semantic orientation dengan algoritma PMI-IR Kata Kunci: Opinion Mining, Opinion Extraction, Pattern Rule
Analisis Implementasi Sistem Olap Dan Klasifikasi Ketepatan Waktu Lulus Dan Undur Diri Mahasiswa Teknik Informatika Universitas Telkom Menggunakan Random Forest Pramudita Oktaviani; Ibnu Asror; Moch Arif Bijaksana
eProceedings of Engineering Vol 5, No 2 (2018): Agustus 2018
Publisher : eProceedings of Engineering

Show Abstract | Download Original | Original Source | Check in Google Scholar

Abstract

Abstrak Informasi kelulusan dan undur diri mahasiswa merupakan salah satu tolak ukur untuk mengevaluasi keberhasilan sebuah universitas. Begitu pula dengan program studi S1 Teknik Informatika, Universitas Telkom, yang memanfaatkan informasi kelulusan dan undur diri sebagai salah satu pendukung dalam kegiatan perencanaan dan evaluasi dalam mempertahankan kualitas kelulusan dan akreditasi program studi. Pada kenyataanya, pihak prodi memiliki permasalahan dalam melakukan evaluasi kelulusan, dikarenakan prodi belum bisa mendapatkan informasi yang lengkap, cepat dan akurat, padahal setiap tahunnya permasalahan mengenai kelulusan yaitu jumlah mahasiswa lulus tidak tepat waktu yang lebih besar dibanding dengan jumlah mahasiswa yang lulus tepat waktu dapat mempengaruhi kualitas kelulusan dan akreditasi prodi. Pada tugas akhir, dilakukan pembangunan sistem OLAP yang meliputi ektraksi data operasional ke dalam sebuah data warehouse untuk kemudian dilanjutkan dengan kegiatan analisis data menggunakan teknik klasifikasi data mining dengan random forest untuk menganalisis pola dari penyebab ketepatan waktu lulus dan undur diri mahasiswa. Hasil klasifikasi dievaluasi menggunakan micro average f1-score untuk mengetahui performansi sistem. Berdasarkan data akademik yang digunakan untuk klasifikasi menggunakan Random forest, nilai micro average f1-score tertinggi yang diperoleh sebesar 77%. Kata Kunci:Data mining, random forest, Online Analytical Processing (OLAP), data warehouse. Abstract Information graduation and student retirement is one of the benchmarks for a university. Similarly, S1 Informatics Engineering course, Telkom University, which uses existing information and one of the most effective in planning and evaluation activities in graduation and accreditation courses. In fact, the parties that determine in the evaluation of graduation, because the program has not been able to get complete information, fast and accurate, whereas people who produce graduation ie the number of students is not in accordance with the time is greater than the number of students who can successfully affect the quality of graduation and accreditation of study program. Many factors that affect the timeliness of passing and not repeating are some of the grades of subjects, GPA, presence and more. In the final stages, the OLAP system is developed which includes the extraction of operational data into a data warehouse and then proceeded by using data mining techniques with random forest to analyze the patterns of various timeliness of pass and retreat students. From the result of the grouping that has been done using student academic data of the most influential factor yait The classification results are evaluated using the average micro-f1-score to determine the performance of the system. Based on the academic data used to use Random forest, the highest average micro value obtained is 77%. Keywords :Data mining, random forest, Online Analytical Processing (OLAP), data warehouse.
Pengembangan Sistem Berbasis Komputer Untuk Pembangunan Stemming Pada Al-quran Menggunakan Algoritma Shereen Khoja Stemmer Aditya Hanif Utama; Moch Arif Bijaksana; Arief Fatchul Huda
eProceedings of Engineering Vol 5, No 2 (2018): Agustus 2018
Publisher : eProceedings of Engineering

Show Abstract | Download Original | Original Source | Check in Google Scholar

Abstract

Abstrak Saat ini banyak ahli dalam bidang teknologi informasi telah merancang dan mengembangkan algoritma untuk memecahkan masalah stemming, khususnya dalam bahasa arab. Namun dari sekian banyak analisa stemming dalam bahasa arab, belum ada standardisasi algoritma stemming yang baik dalam menganalisa akurasi teks pada Al-Quran. Pembangunan stemming pada Al-Quran merupakan suatu pekerjaan yang penting karena mendukung klasifikasi sharaf dalam Al-Quran guna memahami arti dari setiap kata pada Al-Qur‟an. Salah satu stemmer atau algoritma stemming untuk mencari bentuk dasar dari suatu kata dalam bahasa arab ialah algoritma Khoja Stemmer. Cara kerja dari Khoja Stemmer ialah dengan mencoba untuk mencari akar pada suatu kata dalam bahasa arab dengan menghilangkan awalan terpanjang dan akhiran terpanjang suatu kata, lalu mencoba untuk menentukan akar dari kata yang tersisa menggunakan kamus akar kata. Dalam penelitian kali ini, Khoja Stemmer yang dibangun mampu menghitung rata-rata stemming pada Al-Quran sebesar 95,295%. Akan tetapi akar kata yang dihasilkan oleh Khoja Stemmer apabila di periksa secara manual masih terdapat beberapa kesalahan. Dengan demikian, dibutuhkan suatu kamus Al-Quran untuk menganalisa setiap hasil stemming yang dilakukan oleh Khoja stemmer dalam melakukan stemming pada Al-Quran. Kata kunci: al-quran, stemming, khoja stemmer, sharaf, bahasa arab Abstract Today many experts in the field of information technology have been designing and developing algorithms to solve stemming problems, especially in Arabic. But, from many stemming analysis in Arabic, there is no standardization of good stemming algorithm in analyzing the accuracy of the text in the Quran. The construction of stemming in the Quran is an important work because it supports the classifica tion of sharaf in the Quran to understand the meaning of every word in the Quran. One stemmer or stemming algorithm to find the basic form of a word in Arabic is the Khoja Stemmer algorithm. The workings of Khoja Stemmer is to try to search root in a word of Arabic by removing the longest prefix and longest suffix of a word, then trying to determine the root of the remaining word using the root dictionary. In this research, the built of Khoja Stemmer is able to calculate the average stemming in the Quran of 95.295%. However, the roots produced by Khoja Stemmer are still found some errors when manually checked. Thus, it takes a dictionary of the Quran to analyze every result of stemming done by Khoja Stemmer in order to stemming the Quran. Keywords: quran, stemming, khoja stemmer, sharaf, arabic
Analisis Sentimen Review Produk Menggunakan Pendekatan Berbasis Kamus Fairuz Ahmad Hirzani; Warih Maharani; Moch. Arif Bijaksana
eProceedings of Engineering Vol 2, No 2 (2015): Agustus, 2015
Publisher : eProceedings of Engineering

Show Abstract | Download Original | Original Source | Check in Google Scholar

Abstract

Abstrak Review produk pada situs e-commerce sering kali menjadi tujuan calon pembeli produk dalam menilai kualitas dan tingkat kepuasan konsumen lain terhadap suatu produk. Jumlah review yang sangat banyak tentunya akan menyulitkan pembaca dalam penarikan informasi. Peringkasan dan klasifikasi opin i terhadap fitur suatu produk merupakan hal yang dibutuhkan guna mempercepat pembacaan dan penarikan kesimpulan terhadap kualitas suatu produk. Penelitian di bidang ini, khususnya feature based opinion summarization telah banyak dikembangkan dengan menggunakan berbagai macam teknik dan pendekatan. Analisis sentimen berbasis fitur membutuhkan proses ekstraksi fitur terlebih dahulu sebelum melakukan identifikasi opini. Proses ini dilakukan dengan melakukan identifikasi terhadap kata benda yang sering dibicarakan menggunakan penerapan association mining. Association mining yang diterapkan untuk ekstraksi fitur terbukti dapat menghasilkan fitur hasil ekstraksi dengan sebelumnya dilakukan proses pemilihan kata. Fitur yang didapat selanjutnya ditinjau untuk setiap kalimat menggunakan bantuan kamus opini untuk mengidentifikasi orientasi opini fitur yang dibicarakan oleh konsumen. Pendekatan seperti ini dalam analisis sentimen berbasis fitur biasa disebut pendekatan berbasis kamus. Kata kunci : analisis sentien, review produk, feature based opinion summarization
Pemberian Peringkat Jawaban Pada Forum Tanya-jawab Online Menggunakan Lexical Dan Semantic Similarity Measure Feature Riska Junia Wulandari; Ade Romadhony; Moch. Arif Bijaksana
eProceedings of Engineering Vol 3, No 2 (2016): Agustus, 2016
Publisher : eProceedings of Engineering

Show Abstract | Download Original | Original Source | Check in Google Scholar

Abstract

Maraknya penggunaan internet saat ini membuat banyak forum tanya-jawab (Community Question Answering On- line) bermunculan. Bahkan forum tanya jawab yang muncul bukan hanya untuk masalah akademik, tetapi tentang kehidupan disuatu negara seperti QatarLiving Forum. Namun, tidak semua jawaban yang diberikan sesuai dengan pertanyaan yang diajukan. Membutuhkan waktu yang lama untuk menentukan jawaban yang sesuai dengan per- tanyaan yang diajukan. Untuk itu, dibutuhkan suatu sistem yang dapat memberikan peringkat pada jawaban untuk membantu merangking jawaban yang sesuai dengan pertanyaan. Adapun tahapan yang dilakukan pada penelitian ini yaitu, dimulai dari preprocessing dataset berdasarkan SemEval 2016 question answering similarity, melakukan ekstraksi fitur untuk membantu proses klasifikasi dengan menggunakan lexical similarity feature, semantic similar- ity feature, non textual feature grup dan Heuristic. Penelitian ini memfokuskan pada penggunaan lexical similarity dan semantic similarity untuk mencari kemiripan antar pertanyaan dan jawaban. Hasil ekstraksi fitur ini akan dijadikan inputan untuk classfier untuk membuat model yang akan digunakan oleh data uji. Classifier yang digu- nakan yaitu Support Vector Machine (SVM) dan logistic regression untuk mendapatkan score klasifikasi dimana score ini yang menentukan peringkat sebuah jawaban untuk setiap pertanyaan. Hasil penelitian yang diperoleh me- nunjukkan pengaruh fitur terhadap kedekatan antara pertanyaan dan jawaban. Lexical similarity feature terutama sub feature Cosine similarity dan LCS menunjukkan semakin tinggi nilai feature pada jawaban semakin jawaban tersebut mendekati pertanyaan yang diajukan. Sedangkan nilai semantic similarity menggunakan Wu Palmer Algo- rithm, persebaran nilai antar kelasnya lebih merata, sehingga cukup sulit untuk membedakan ciri setiap kelasnya. Non Textual Feature Group membantu dalam melakukan klasifikasi jawaban dan meningkatkan akurasi sebanyak 4%. Kata Kunci: Community Question Answering, Question Answering System, similarity measure, classifier, per- ingkat jawaban CQA, MAP.
Ekstraksi Fitur Dan Opini Menggunakan Pendekatan Pattern Knowledge Dan Opinion Lexicon I Nyoman Cahyadi Wiratama; Warih Maharani; Moch. Arif Bijaksana
eProceedings of Engineering Vol 2, No 2 (2015): Agustus, 2015
Publisher : eProceedings of Engineering

Show Abstract | Download Original | Original Source | Check in Google Scholar

Abstract

Abstrak Ekstraksi fitur dan opini merupakan suatu cara yang dapat digunakan untuk mengetahui kata fitur dan opini dari suatu review. Suatu tanggapan dapat mengandung opini positif atau negatif. Dengan mengetahui fitur dan opini dari suatu review, dapat membantu seseorang dalam mengambil suatu keputusan. Namun tidak semua kata pada suatu review merupakan fitur ataupun opini, dan juga banyaknya review semakin menyulitkan seseorang untuk mengetahui fitur dan opini dari review tersebut. Maka dari itu diperlukan pengekstraksian fitur dan opini yang akan memudahkan dalam menemukan kata fitur dan opini dari suatu kalimat review. Beberapa pendekatan yang dapat digunakan untuk mengekstraksi fitur dan opini, yaitu dengan pendekatan association rule mining, unsupervised pattern mining, mutual reinforcement approach, opinion lexicon, dan pattern knowledge [1]. Pada tugas akhir ini penulis menggunakan pendekatan pattern knowledge dan opinion lexicon untuk melakukan prediksi kalimat opini, melakukan ekstraksi fitur dan opini, dan juga menentukan polaritas atau orientasi dari suatu review apakah bernilai positif atau negatif yang kemudian akan dikelompokkan berdasarkan fiturnya untuk memudahkan dalam pencarian review. Dengan menggunakan pendekatan ini akan didapatkan fitur produk dan polaritas dari suatu kalimat review produk. Kata Kunci: Opini, Fitur, Pattern knowledge, Opinion lexicon
Klasifikasi Jawaban Dengan Menggunakan Multiple Features Extraction Pada Community Question Answering Bhudi Jati Prio Utomo; Moch. Arif Bijaksana; Ade Romadhony
eProceedings of Engineering Vol 3, No 2 (2016): Agustus, 2016
Publisher : eProceedings of Engineering

Show Abstract | Download Original | Original Source | Check in Google Scholar

Abstract

Berkembangnya Internet semakin memudahkan pengguna dalam pencarian informasi. Community Question Answering (CQA) adalah salah satu sarana yang menyediakan fasilitas tanya jawab dengan mudah dan gratis.  Forum diskusi kebanyakan membebaskan pengguna dalam menulis pertanyaan ataupun jawabannya, maka dari itu jawaban-jawaban yang ada pasti sangat bervariasi, terdapat jawaban yang memberikan solusi dan ada juga jawaban yang tidak menjawab pertanyaan. Pada penelitian ini, yang dilakukan berkaitan dengan klasifikasi jawaban terhadap pertanyaan yang ada pada forum diskusi Qatar Living. Identifikasi dilakukan untuk menentukan jawaban mana yang termasuk dalam kelas good, bad, dan potential.  Klasifikasi jawaban diselesaikan dengan metode supervised learning.   Proses klasifikasi dilakukan pada data yang direpresentasikan oleh fitur seperti Similarity feature  (semantic similarity dan cosine similarity), topik model, Textual feature (author), dan Non textual feature (special word, heuristic/link, head word, emoticon, dan question mark).  Secara garis besar, terdapat tiga tahap pada penelitian ini yaitu, preprocessing lalu ekstraksi fitur, dan terakhir adalah proses klasifikasi jawaban. Preprocessing terdiri atas tiga tahap yaitu, tokenization, stopword removal, dan lemmatization. Perbedaan penelitian ini dengan penelitian sebelumnya yaitu JAIST adalah dari segi pemilihan fitur. JAIST menggunakan Word matching feature group, Special-component feature group, Non textual feature group, Topic model, Word vector, dan Translation based feature.  Berdasarkan hasil evaluasi dari penelitian ini, penulis mendapatkan bahwa klasifikasi yang dilakukan memiliki tingkat akurasi sebesar 72,36 % dan Macro F1 sebesar 54,10 %. Jika dibandingkan dengan hasil SemEval 2015, penelitian ini berada pada urutan ke 3 dari 12 peserta dengan nilai Macro F1 sebagai baseline score untuk pemeringkatannya. Keyword: community question answering, supervised learning, semantic similiarity, pemodelan topik, qatar living.
Implementasi Dan Analisis Keterkaitan Semantik Antar Kata Menggunakan Pointwise Mutual Informationmax Dengan Estimasi Dari Kata Polisemi I Made Darma Yoga; Moch. Arif Bijaksana; Mohamad Syahrul Mubarok
eProceedings of Engineering Vol 3, No 2 (2016): Agustus, 2016
Publisher : eProceedings of Engineering

Show Abstract | Download Original | Original Source | Check in Google Scholar

Abstract

Natural Language Processing atau premrosesan bahasa alami merupakan sebuah disiplin ilmu yang khusus mengolah teks yang ditulis langsung oleh manusia yang bersifat tidak terstruktur. Pengukuran semantic similarity antar kata merupakan salah satu tugas penerapan dari Natural Language Proccessing yang intinya adalah mencari skor semantic similarity antar kata. Skor tersebut menunjukkan seberapa erat tingkat kesamaan antar dua kata. Salah satu metode untuk menghitung semantic similarity adalah PMImax (Pointwise Mutual Informationmax). PMImax mengestimasi korelasi maksimum antara dua kata dan korelasi antara makna terdekat kedua kata tersebut karena sebuah kata seringkali memiliki banyak makna atau bisa disebut dengan kata Polisemi. Pada tugas akhir ini, diimplementasikan penghitungan semantic similarity antar kata menggunakan PMImax dengan menggunakan estimasi dari kata polisemi. konteks kata bersumber dari dataset Brown Corpus dan dataset Gutenberg. Hasil dari keterkaitannya dibandingkan dengan dataset Gold Standard WordSim-353 semantic relatedness, semantic similarity, Miller Charles dan Simlex-999. Hasil penelitian yang didapat terlihat bahwa dengan menggunakan PMImax didapatkan korelasi terbaik yaitu 66,5% dengan dataset gold standard WordSim-353 semantic similarity menggunakan korelasi Pearson dan dengan menggunakan nilai sense hasil analisis variabel p dan q. Nilai semantic similarity setiap pasang kata sangat dipengaruhi oleh nilai Co-Occurence sepasang kata teresebut, semakin tinggi nilai Co-Occurence suatu pasangan maka akan menghasilkan skor semantic similarity yang tinggi. Kata kunci : Kesamaan semantik, Pointwise Mutual Information, kata polisemi.
Analisis Implementasi Sistem Olap Dan Klasifikasi Ketepatan Waktu Lulus Dan Undur Diri Mahasiswa S1 Teknik Informatika Universitas Telkom Menggunakan Decision Tree C5.0 Jihan Ratnasari1; Ibnu Asror; Moch Arif Bijaksana
eProceedings of Engineering Vol 5, No 2 (2018): Agustus 2018
Publisher : eProceedings of Engineering

Show Abstract | Download Original | Original Source | Check in Google Scholar

Abstract

Abstrak Bagi suatu Universitas ketepatan lulus dan undur diri mahasiswa merupakan hal yang sangat penting karena sebagai patokan akreditasi. Universitas Telkom merupakan salah satu Universitas Swasta yang berada di Bandung yang merekomondasikan berbagai program studi, salah satunya S1 Teknik Informatika. Program studi S1 Teknik Informatika menjadikan ketepatan lulus dan undur diri mahasiswa sebagai patokan kesuksesan prodi. Namun faktanya pihak prodi masih kesulitan dalam menentukan pola tentang ketepatan waktu lulus dan undur diri mahasiswa dikarenakan tidak diimbangi informasi yang memadai. Pada tugas akhir ini, membangun sebuah sistem menggunakan OLAP (Online Analytical Processing) berupa perancangan data warehouse dan data mining dengan metode klasifikasi dengan algoritma C5.0 untuk menganalisis pola pada ketepatan waktu lulus dan undur diri mahasiswa. Selanjutnya hasil dari klasifikasi algoritma C5.0 dievaluasi dengan mempertimbangkan nilai Precision, Recall, dan Micro Average F1-Score untuk mendapatkan performansi sistem. Hasil klasifikasi yang dievaluasi menggunakan dengan mempertimbangkan nilai Precision, Recall, dan Micro Average F1-Score untuk mengetahui nilai performansi. Berdasarkan performansi dari 2 pengujian yang pertama dengan menggunakan k-fold cross validation di dapat oleh 10-fold dengan nilai performansi 85%, dan pengujian kedua pada perubahan atribut untuk klasifikasi adalah penggunaan atribut data keseluuhan yang mendapatkan nilai akurasi 85%. Kata kunci : data warehouse , Online Analytical Processing (OLAP), data mining, algoritma C5.0 Abstract For a university, graduating accuracy and student retirement is very important because as a benchmark of accreditation. Telkom University is one of the Private University located in Bandung that recommends various study programs, one of them is S1 Informatics Engineering. S1 program of Informatics Engineering makes graduation accuracy and student turn as a benchmark of success of study program. But in fact the prodi is still difficult in determining the pattern about the timeliness of graduation and student retreat due to not balanced with adequate information. In this final project, build a system using OLAP (Online Analytical Processing) in the form of data warehouse and data mining with classification method with C5.0 algorithm to analyze the pattern on the timeliness of pass and the student retreat. The result of C5.0 algorithm classification is evaluated by considering Precision, Recall, and Micro Average F1-Score to get the system performance. The classification results are evaluated using precision, Recall, and Micro Average F1-Score to determine the value of performance. Based on the performance of the first two tests using k-fold cross validation can be done 10 times with the performance value of 85%, and the tests performed for attributes are attribute data that has an accuracy value of 85%. Keywords: data warehouse, Online Analytical Processing (OLAP), data mining, C5.0 algorithm
Sms Filtering Menggunakan Naive Bayes Classifier Dan Fp-growth Algorithm Frequent Itemset Dea Delvia Arifin; Shaufiah Shaufiah; Moch. Arif Bijaksana
eProceedings of Engineering Vol 2, No 2 (2015): Agustus, 2015
Publisher : eProceedings of Engineering

Show Abstract | Download Original | Original Source | Check in Google Scholar

Abstract

Abstrak SMS (Short Message Service) masih menjadi pilihan utama sebagai media komunikasi walaupun sekarang ponsel semakin berkembang dengan berbagai media komunikasi aplikasi messenger. Seiring dengan berkembangnya berbagai media komunikasi lain, beberapa operator di beberapa negara menurunkan tarif SMS untuk tetap menarik minat pengguna ponsel. Namun penurunan tarif ini menyebabkan meningkatnya SMS spam, karena dimanfaatkan oleh beberapa pihak sebagai salah satu alternatif untuk iklan hingga penipuan. Hal itu menjadi permasalahan penting karena dapat mengganggu dan merugikan pengguna. Naive Bayes dianggap sebagai salah satu learning algorithm yang sangat efektif dan penting untuk machine learning dalam information retrieval. Naive Bayes terbukti memiliki kinerja yang baik dalam klasifikasi teks dan deteksi SMS spam [2,10] dengan menunjukan akurasi yang tinggi. Dengan dikolaborasikan algoritma yang mampu menentukan frequent itemset dengan baik maka mampu menghasilkan tingkat akurasi yang lebih baik [2]. Karena tidak hanya setiap kata yang dianggap mutually independent, tetapi juga kata yang frequent sebagai kata yang single, independent dan mutually exclusive [2], sehingga mampu meningkatkan nilai peluang dan menyebabkan sistem lebih tepat dalam klasifikasi. Dalam hal ini digunakan FP-Growth untuk mining frequent pattern yang memiliki performansi yang baik dan efisien karena tidak membutuhkan pembangkitan kandidat frequent [4]. Hasil penelitian penggunan kolaborasi antara Naive Bayes dan FP-Growth menghasilkan akurasi rata- rata terbesar sebesar 98, 506% dan lebih unggul 0,025% dari metode tanpa melibatkan FP-Growth untuk dataset SMS Spam Collection v.1, serta meningkatkan nilai precision sehingga hasil klasifikasi lebih akurat. Kata Kunci: ekstraksi kata kunci, KEA, social media
Co-Authors Abdul Raffi Malikul Mulki Abdurrahman, Azzam Ade Romadhony Adelya Astari Aditya Hanif Utama Ageng Prasetio Agni Octavia Agung Wardhana Z. Nasution Akip Maulana Al Faraby, Said Alfiya El Hafsa Alfredo Primadita Ali Ridho Fauzi Rahman Angelina Sagita Sastrawan Annisa Dian Muktiari annisa Imadi Puti Anugerah, Sri Mulyani Aqila, Neca Ardhi Akmaludin Jadhira Arie Ardiayanti Suryani Arie Ardiyanti Arie Ardiyanti Suryani Arief Fatchul Huda Arief Fatchul Huda Arief Fatchul Huda Arini Rohmawati Arlinda Dwi Ardiyani aulia khemas Heikhmakhtiar Bagus Ardisaputra Bambang Ari Wahyudi Bening Suryani Pratiwi Bhudi Jati Prio Utomo Darwiyanto , Eko Dea Delvia Arifin Dhafin Putra Aldi dina juni restina Djusnimar Zultilisna Donni Richasdy Dwi Marlina Sari Dzaky Ikram Dzidny, Dimitri Irfan Eki Rifaldi Eko Darwiyanto Fairuz Ahmad Hirzani Fakhruddin, Muhammad Rafi Falia Amalia Fauzan Ramadhan Fauziah, Salma Fernandy Marbun Floribertus Yericho Pramudya Galih Rizky Prabowo Gde Surya Pramartha Grace Duma Tambunan Hafsa, Alfiya El Huda, Arief Fatchul Huda, Arief Fatchul I Gusti Ayu Chandra Devi I Komang Resnawan Tri Putra I Made Darma Yoga I Nyoman Cahyadi Wiratama I Putu Prima Ananda Ibnu Asror Idzhari Syaeful Ma'mun - Ina Rofi’atun Nasihati Indra Lukmana Sardi Intan Khairunnisa Fitriani IZZAH, NURUL Jihan Ratnasari1 KD Krisna Dwipayana Kemas M Lhaksmana Kemas Muslim Lhaksmana Khalid kurnia sari lingga Kurniawan Adina Kusuma Luh Putri Ayu Ningsih Lukman Abdurrahman Meiditia Mustika Rani Miftahul Adnan Rasyid Mochamad Agung Permana Mohamad Syahrul Mubarok Mubaroq Iqbal Muhamad Jibril Muhammad Adib Imtiyazi Muhammad Althoof Nabalah Muhammad Aris Maulana Muhammad Budi Hartanto Muhammad Fakhri Ar-Razi Muhammad Faris Abdussalam Muhammad Haerunnur Syahnur Muhammad Rizki Chairulloh Muhammad Zidny Naf'an Munirsyah Munirsyah Muthia Virliani Mutia, Aufa Naufal Rasyad Neca Aqila Nisaa' 'Ainulfithri Nur Indrawati, Nur Nurul Izzah Patra , Gifaro Andyano Pramudita Oktaviani Prasetio, Ageng Puruhita Ananda Arsaningtyas Purwita, Naila Iffah Putri Cendikia Rahmad Geri Kurniawan Ramadhyni Rifani Ramanti Dwi Indrapurasih Rendy Andrian Saputra Retno Diah Ayu Ningtias Rifki Wijaya Riska Junia Wulandari Rizky Caesar Irjayana Ryan Fahreza Maliki Said Al Farab Sakinah Rahmi Sang Made Naufal Caesarya Mahardhika Saputro3,, Widyanto Adi Sarah Suryaningsih Sarja Asra Winata Sendika Panji Anom Shaufiah . Shervano Naodias Siagian Siti Sa'adah Siti Sa’adah Suryaningsih, Sarah Tegar Graha Adiwiguna Teuku Muhammad Ikhsan Totok Suhardijanto Triawati, Candra Valentino Rossi Fierdaus Wahyu Kurniawan Wahyu Purbaningrum Warih Maharani Widi Astuti Winda Eka Samodra Wiwin Aminah Yusuf Anugrah Putra Aditama ZK Abdurahman Baizal