Klasifikasi Jenis Kekerasan Pada Perempuan Dan Anak Dengan Algoritma Multinomial Naïve Bayes
Abstract
Laporan kasus tindak kekerasan dan pelecehan seksual pada perempuan dan anak yang diterima oleh Dinas Pemberdayaan Perempuan dan Perlindungan Anak (DP3A) dalam melakukan rekap dan pengelompokan laporan kasus masih dilakukan secara manual. Penelitian dilakukan untuk membuat model klasifikasi berdasarkan kronologi kejadian pada laporan kasus kedalam beberapa kategori jenis kekerasan dengan memanfaatkan Text Mining. Tahapan yang dilakukan sesuai dengan tahapan pada metode Knowledge Discovery in Database (KDD) yaitu data selection, preprocessing, transformation, modeling, dan evaluation. Pembobotan kata dilakukan menggunakan algoritma Term Frequency-Inverse Document Frequency (TF-IDF). Untuk menangani imbalance dataset dilakukan proses oversampling menggunakan algoritma Random Oversampling. Algoritma yang digunakan untuk melakukan klasifikasi yaitu algoritma Multinomial Naïve Bayes.
Kata Kunci: Multinomial Naïve Bayes, Random Oversampling, Text Mining, TF-IDF
References
Bahasyim, S. R., Widowati, S., & Husen, J. H. (2021). Otomasi Penelusuran Kebutuhan ke Kode Program menggunakan TF-IDF. Jurnal Tugas Akhir Fakultas Informatika, 3272-3281.
Ependi, U., & Putra, A. (2019). Solusi Prediksi Persediaan Barang dengan Menggunakan Algoritma Apriori (Studi Kasus: Regional Part Depo Auto 2000 Palembang). Jurnal Edukasi dan Penelitian Informatika, 139-145.
Fahrudin, T., Buliali, J. L., & Fatichah, C. (2019). Enhancing The Performance of SMOTE Algorithm By Using Attribute Weighting Scheme and New Selective Sampling Method For Imbalance Data Set. International Journal of Innovative Computing, Information and Control, 423-444.
Fitriani, R. D., Yasin, H., & Tarno. (2021). Penanganan Klasifikasi Kelas Data Tidak Seimbang Dengan Random Oversampling Pada Naive Bayes. Jurnal Gaussian, 11-20.
Gunawan, D., Riana, D., Ardiansyah, D., Akbar, F., & Alfarizi, S. (2020). Komparasi Algoritma Support Vector Machine dan Naive Bayes Dengan Algoritma Genetika Pada Analisis Sentimen Calon Gubernur Jabar 2018-2023. Jurnal Teknik Komputer AMIK BSI, 121-129.
Kalokasari, D. H., Shofi, I. M., & Setyaningrum, A. H. (2017). Implementasi Algoritma Multinomial Naive Bayes Classifier Pada Sistem Klasifikasi Surat Keluar (Studi Kasus: DISKOMINFO Kabupaten Tangerang). Jurnal Teknik Informatika, 109-118.
Manalu, E., Sianturi, F. A., & Manalu, M. R. (2017). Penerapan Algoritma Naive Bayes Untuk Memprediksi Jumlah Produksi Barang Berdasarkan Data Persediaan Dan Jumlah Pemesanan Pada Cv. Papadan Mama Pastries. Jurnal Mantik Penusa, 16-21.
Muthia, D. A. (2018). Komparasi Algoritma Klasifikasi Text Mining untuk Analisis Sentimen pada Review Restoran. Jurnal PILAR Nusa Mandiri, 69-74.
Rahman, A., Wiranto, & Doewes, A. (2017). Online News Classification Using Multinomial Naive Bayes. Jurnal Ilmiah Teknologi dan Informasi, 32-38.
Riyani, A., Naf'an, M. Z., & Burhanuddin, A. (2019). Penerapan Cosine Similarity dan Pembobotan TF-IDF untuk Mendeteksi Kemiripan Dokumen. Jurnal Linguistik Komputasional, 23-27.
Rokhim, A., & Yaqin, A. A. (2017). Implementasi Metode Term Frequency Inversed Document Frequence (TF-IDF) dan Vector Space Model Pada Aplikasi Pemberkasan Skripsi Berbasis Web. Jurnal SPIRIT, 34-48.
Ruhyana, N. (2019). Klasifikasi Komentar Instagram Untuk Identifikasi Keluhan Pelanggan Jasa Pengiriman Barang Dengan Teknik SMOTE. Faktor Exacta, 280-290.
Yutika, C. H., Adiwijaya, & Faraby, S. A. (2021). Analisis Sentimen Berbasis Aspek pada Review Female Daily Menggunakan TF-IDF dan Naive Bayes. Jurnal Media Informatika Budidarma, 422-430.
