<![CDATA[Perkembangan pesat dalam bidang Informatika telah menjadi pendorong utama perubahan dalam berbagai aspek kehidupan manusia. Era digital saat ini menyaksikan revolusi teknologi yang telah mengubah cara kita berkomunikasi, bekerja, belajar, dan berbisnis. Studi-studi sebelumnya telah banyak mengkaji masalah klasifikasi berita, namun masih ada ruang untuk penelitian lebih lanjut. Algoritma Naïve Bayes Classifier yang digunakan sebagai metode untuk melakukan klasifikasi data terutama untuk kebutuhan deteksi terhadap berita berita palsu/fakta.Tujuan utama dari penelitian ini adalah untuk menguji dan membandingkan efektivitas Algoritma Naïve Bayes Classification dan K-Nearest Neighbors dalam klasifikasi topik berita. Dengan menggunakan Kedua nya bisa memberikan perspektip yang berbeda dan memungkinkan untuk mengeksplorasi kelebihan dan kekurangan masing masing metode, Dengan demikian kedua metode tersebut dipilih. penelitian ini akan memberikan pemahaman yang lebih baik tentang kemungkinan penerapan kedua metode ini dalam konteks yang relevan. Penerapan Algoritma Naïve Bayes Classification dan K-Nearest Neighbors dalam konteks klasifikasi topik berita berjumlah 9 tahapan. Tahapan tersebut adalah (1) Studi Literatur;(2) Pengumpulan Data;(3) Preprocessing Data;(4) Ekstraksi Fitur;(5) Pembagian Data;(6) Penerapan Algoritma Naïve Bayes Classification;(7) Penerapan K-Nearest Neighbors (K-NN);(8) Evaluasi Model;(9) Analisis Hasil. Dari hasil pengujian ini dapat di simpulkan bahwa pengujian analisis algoritma Naïve Bayes dan K-Nearest Neighbor ini didapatkan hasil akurasi terbaik dalam klasifikasi data yaitu pada algoritma K-Nearest Neighbor dimana mendapatkan akurasi sebesar 71,00% yang didapatkan pada data uji 10% dengan k = 1 dibandingkan algoritma Naïve Bayes yang hanya mendapatkan akurasi sebesar 66,00% pada data uji 10%. Perbandingan ini menunjukkan bahwa metode klasifikasi Naive Bayes dan K-Nearest Neighbors masing-masing memiliki kelebihan dan kekurangan dalam klasifikasi topik berita di Detik.com]]>
