<![CDATA[Latar belakang penelitian ini adalah tantangan dalam mengklasifikasikan teks Al-Qur'an, yang disebabkan oleh kompleksitas struktur bahasa Arab dan perbedaan antara bahasa Arab klasik dan modern. Penggunaan teknik Natural Language Processing (NLP), khususnya stopword removal, menjadi penting dalam meningkatkan akurasi klasifikasi teks. Namun, pengaruh penggunaan varian stopword terhadap performa model klasifikasi teks Al-Qur'an belum banyak dieksplorasi. Tujuannya adalah untuk mengevaluasi pengaruh penerapan varian daftar stopword yang berbeda terhadap kinerja dua algoritma klasifikasi teks, yaitu Support Vector Machine (SVM) dan Backpropagation Neural Network (BPNN), dalam mengklasifikasikan ayat-ayat Al-Qur'an. Penelitian ini juga bertujuan untuk menganalisis bagaimana teknik seleksi fitur Chi-Square dan representasi TF-IDF dapat mempengaruhi efektivitas model. Metode yang digunakan meliputi pengumpulan dataset ayat-ayat Al-Qur'an dalam Bahasa Indonesia yang melalui preprocessing seperti tokenisasi, normalisasi, dan penghapusan stopword menggunakan tiga varian stopword list: Sastrawi, NLTK, dan kombinasi keduanya. Model klasifikasi diterapkan dengan algoritma SVM dan BPNN, serta dievaluasi menggunakan metrik akurasi, presisi, recall, dan F1-score. Hasil penelitian menunjukkan bahwa algoritma SVM memberikan performa yang lebih baik dan konsisten dibandingkan BPNN. Penggunaan stopword NLTK memberikan hasil terbaik dengan akurasi tertinggi sebesar 0,5849 dan F1-score 0,5438 pada SVM. BPNN menunjukkan hasil yang kurang optimal dengan akurasi tertinggi hanya 0,4292 dan F1-score yang lebih rendah dari 0,3 pada semua varian stopword. Kontribusi penelitian ini adalah menegaskan pentingnya pemilihan daftar stopword yang tepat untuk meningkatkan kinerja klasifikasi teks Al-Qur'an serta memberikan wawasan berharga dalam pengembangan sistem klasifikasi teks keagamaan yang lebih akurat menggunakan algoritma pembelajaran mesin.]]>
Copyrights © 2025
