Analisis Sentimen Terhadap Kasus Peretasan Pusat Data Nasional Menggunakan Naïve Bayes Dan POS Tagging Dengan Metode Hidden Markov Model Viterbi
Tahun 2025 · Penulis: Renanta Muhammad Centris Songo Songo
Faculty of Computer Science, Universitas Jember
Abstrak
Teks yang dipakai untuk pengindeksan BM25 dan IndoSBERT
Kasus peretasan Pusat Data Nasional telah menjadi isu yang mendapat perhatian luas dari masyarakat dan memunculkan berbagai reaksi sentimen di media sosial. Penelitian ini bertujuan untuk mengetahui serta memperoleh hasil implementasi dari POS Tagging menggunakan Hidden Markov Model dengan algoritma Viterbi pada Naïve Bayes Classifier dalam analisis sentimen terhadap kasus tersebut. Masalah yang diteliti adalah bagaimana implementasi POS Tagging menggunakan Hidden Markov Model dengan algoritma Viterbi pada Naïve Bayes Classifier dapat diterapkan untuk meningkatkan akurasi klasifikasi sentimen. Metodologi penelitian menggunakan Naïve Bayes Classifier sebagai algoritma klasifikasi utama dengan penambahan fitur POS Tagging yang diimplementasikan melalui Hidden Markov Model dengan algoritma Viterbi. Penelitian ini melakukan perbandingan evaluasi kinerja model antara implementasi tanpa penambahan fitur POS Tagging dengan model yang mengintegrasikan fitur POS Tagging menggunakan empat metrik evaluasi utama yaitu accuracy, precision, recall, dan F1-score. Hasil penelitian menunjukkan bahwa penambahan fitur POS Tagging tidak memberikan peningkatan kinerja yang diharapkan. Metrik accuracy mengalami penurunan dari 94% menjadi 92%, nilai precission turun dari 93% menjadi 88%, sementara nilai recall tetap konsisten di 87% pada kedua model. Adapun nilai F1-score mengalami penurunan dari 90% menjadi 87%. Penurunan kinerja pada sebagian besar metrik evaluasi ini mengindikasikan bahwa penambahan fitur POS Tagging dalam konteks penelitian ini tidak memberikan kontribusi positif terhadap peningkatan kinerja model klasifikasi. Penelitian ini menyarankan perlunya kajian ulang terhadap model yang menambahkan fitur POS Tagging pada klasifikasi Multinomial Naïve Bayes Classifier.
Dokumen Serupa
Berdasarkan kemiripan vektor embedding IndoSBERT (cosine similarity).
- Cosine 0,796
Tahun 2026 · Penulis: Ainun Maya Rohmani
Object Based Augmentation berbasis Segment Anything Model terhadap penanganan Class Imbalance dataset cacat biji kopi
Ketidakseimbangan distribusi kelas (class imbalance) pada dataset citra cacat biji kopi merupakan salah satu faktor yang dapat menurunkan performa model deteksi, terutama pada kelas minoritas yang memiliki jumlah sampel terbatas. Permasalahan ini menjadi semak
- Cosine 0,792
Tahun 2026 · Penulis: Hasyim Ashari Abdul Mukti
Optimasi Hyperparameter Bayesian pada Model BiLSTM untuk Prediksi Time-Series Workload: Studi Kasus Proactive Auto-scaler Kubernetes
Kubernetes auto-scaling melalui Horizontal Pod Autoscaler (HPA) bergantung pada mekanisme reaktif yang memantau metrik real-time seperti penggunaan CPU dan memori. Namun, pendekatan reaktif ini sering menyebabkan gangguan layanan dan ketidakstabilan sistem kar
- Cosine 0,789
Tahun 2023 · Penulis: Nauval Achmad Yusufa
Klasifikasi Sentimen pada Sosial Media Berbahasa Indonesia dengan Normalisasi Berbasis Algoritma Levenshtein Distance dan Penanganan Tanda Baca
Media sosial memiliki peran yang penting dalam kehidupan masyarakat dan sering digunakan sebagai sumber data dalam analisis sentimen. Salah satu tantangan yang dihadapi ketika menggunakan data dari media sosial adalah keberadaan kata-kata tidak baku, seperti a