<![CDATA[Perpustakaan STIKOM Bali berperan penting dalam mendukung pembelajaran dan riset dengan koleksi yang luas dan up-to-date. Untuk meningkatkan layanan, perpustakaan mengadopsi pendekatan proaktif dengan menyebarkan kuesioner kepada pengguna melalui website. Hasil kuesioner digunakan untuk memahami kebutuhan pengguna dan merancang perbaikan yang sesuai. Namun, mengelompokkan jawaban kuesioner seringkali menimbulkan tantangan. Untuk mengatasi hal ini, penelitian klasifikasi menggunakan metode TF-IDF dan algoritma Multinomial Naive Bayes untuk mengelompokkan jawaban secara efisien dilakukan. Data awal berisi 5264 kata, di mana 53% merupakan stop word. Eksperimen dilakukan dengan menggunakan berbagai teknik pra pemrosesan dan class balancing. Hasilnya menunjukkan bahwa lowercase conversion tidak berpengaruh pada klasifikasi, namun penghapusan stop word menurunkan performa. Spelling correction meningkatkan performa, tetapi dengan class balancing ROS, precision dan F1-score sedikit menurun. Secara keseluruhan, class balancing ROS meningkatkan performa klasifikasi. Pra pemrosesan tidak selalu meningkatkan performa klasifikasi, sehingga diperlukan eksperimen lebih lanjut dengan berbagai teknik pra pemrosesan untuk mendapatkan model optimal.]]>
Copyrights © 2023
