Literature Review Klasifikasi Data Menggunakan Metode Cosine Similarity dan Artificial Neural Network

Lely Meilina; I Nyoman Satya Kumara; I Nyoman Setiawan

doi:10.24843/MITE.2021.v20i02.P15

Lely Meilina universitas udayana
I Nyoman Satya Kumara Universitas Udayana
I Nyoman Setiawan Universitas Udayana

##plugins.pubIds.doi.readerDisplayName## https://doi.org/10.24843/MITE.2021.v20i02.P15

Abstrak

Dampak positif yang ditimbulkan dari perkembangan teknologi salah satunya adalah kemudahan dalam menyampaikan aspirasi dan dalam mendapatkan informasi dengan sangat cepat. Manfaat dari perkembangan teknologi ini dapat dirasakan oleh semuassektor, termasuk sektor pemerintahan yang harus mengayomi masyarakat dan negara. Dalam meningkatkan kualitas pelayanan publik, pemerintah harus menerapkan pemerintahan yang berbasis teknologi informasi digital. Oleh karena itu, Pemerintah pusat maupun daerah telah menyediakan layanan pengaduan masyarakat yang berbasis online. Untuk meningkatkan kualitas pelayanan maka sistem pengaduan online harus berjalan dengan optimal. Metode yang banyak digunakan untuk mencari kemiripan teks pengaduan adalah metode cosine similarity dan metode Artificial Neural Network (ANN) untuk klasifikasi data pengaduan. Penelitian ini mereview penerapan kedua metode tersebut untuk mengetahui tingkat akurasinya sebelum dapat di implementasikan pada sistem pengaduan online. Hasil dari review menyatakan bahwa metode Cosine Similarity memiliki tingkat akurasi sebesar 71,5% dan ANN memiliki tingkat akurasi sebesar 77%. Sedangkan metode lainnya memiliki tingkat akurasi sebesar 67%. Dari presentase nilai tersebut dapat disimpulkan bahwa penggunaan metode Cosine Similarity dan ANN layak untuk digunakan dalam mengklasifikasikan data pada Sistem Pengaduan Masyarakat Online

##plugins.generic.usageStats.downloads##

##plugins.generic.usageStats.noStats##

Referensi

[1] H. C. MIlkha, ”Text Mining,” 15 November 2020. [Online]. Available: https://kesehatankerja.depkes.go.id.
[2] E. Alpaydin, ”Introduction to Machine Learning Fourth Edition,” Adaptive Computation and Machine Learning series, 2020.
[3] Sugiyamto, B. Surarso och A. Sugiharto, ”Analisa Performa Metode Cosine dan Jaccard Pada Pengujian Kesamaan Dokumen,” Jurnal Masyarakat Informatika, p. Vol. 5 No 10, 2014.
[4] P. R. Sihombing och O. P. Hendarsin, ”Perbandingan Metode Artificial Neural Network (ANN) dan Support Vector Machine (SVM) untuk Klasifikasi Kinerja Perusahaan Daerah Air Minum (PDAM) di Indonesia,” Jurnal Ilmu Komputer, p. Vol. XIII No 1, 2019.
[5] R. Feldman och J. Sanger, Text Mining Hand Book, New York: Cambridge University Press, 2007.
[6] S. M. Weiss, N. Indurkhya, T. Zhang och F. J. Damerau, Predictive Methods for Analyzing Unstructured Information, New York: Springer, 2005.
[7] A. Aziz och R. Saptono, ”Implementasi Vector Space Model dalam Pembangkitan Frequently Asked Question Otomatis dan Solusi yang Relevan untuk Keluhan Pelanggan.,” Scientific Journal of Informatics, pp. Vol.2 Hal. 111-112, 2015.
[8] K. Cios och L. Kurgan, Data Mining: A Knowledge Discovery Approach, Springer, 2007.
[9] Tata, Sandeep, Patel och Jignesh, Estimating The Selectivity Of TF-IDF Based Cosine Similarity Predicates, Departement of Electrical Engineering and Computer Science University Of MichiganO’Brien, J. A., dan Marakas, G. M. Management Information Systems, 10 ed, 2007.
[10] R. Melita, V. Amrizal, H. B. Suseno och T. Dirjam, ”Penerapan Metode Term Frequency Inverse Document Frequency (TF-IDF) dan Cosine Similarity Pada Sistem Temu Kembali Informasi Untuk Mengetahui Syarah Hadits Berbasis Web (Studi Kasus: Syarah Umdatil Ahkam),” Jurnal Teknik Informatika, vol. 12 No.2, 2018.
[11] Firdaus, Pasnur och Wabdillah, ”Implementasi Cosine Similarity Untuk Peningkatan Akurasi Pengukuran Kesamaan Dokumen Pada Klasifikasi Dokumen Berita Dengan K Nearest Neighbour,” Jurnal Teknologi Informasi dan Komunikasi , Vol. 1, Nomor 1, 2019.
[12] S. W. Iriananda, M. A. Muslim och H. S. Dachlan, ”Identifikasi Kemiripan Teks Menggunakan Class Indexing Based dan Cosine Similarity,” Jurnal Ilmu Komputer dan Teknologi Informasi, Vol. %1 av %210, No.2, pp. 30-38, 2018.
[13] M. A. Budiman och G. A. V. Mastrika Giri, ”Song Recommendations Based on Artists with Cosine Similarity Algorithms and K-Nearest Neighbor,” Jurnal Elektronik Ilmu Komputer Udayana, 2019.
[14] V. Thada och D. V. Jaglan, ”Comparison of Jaccard, Dice, Cosine Similarity Coefficient To Find Best Fitness Value for Web Retrieved Documents Using Genetic Algorithm,” International Journal of Innovations in Engineering and Technology (IJIET), 2018.
[15] M. A. H. Al-Hagery, ”Google Search Filter Using Cosine Similarity Measure to Find All Relevant Documents of a Specific Research Topic,” International Journal Of Education And Information Technologies, 2016.
[16] K.-S. Lin, ”A case-based reasoning system for interior design using a new cosine similarity retrieval algorithm,” Journal of Information and Telecommunication, 2019.
[17] R. A. Purba, Suparno och Giatman, ”The optimalization of cosine similarity method in detecting similarity degree of final project by the college students,” IOP Conf. Series: Materials Science and Engineering, 2020.
[18] M. Sujasman, Diana och A. Syazili, ”IMPLEMENTASI METODE COSINE SIMILARITY UNTUK REKOMENDASI PRODUK PADA APLIKASI PENJUALAN BERBASIS MOBILE,” Bina Darma Conference on Computer Science, 2020.
[19] L. Zahrotun, ”Comparison Jaccard similarity, Cosine Similarity and Combined Both of the Data Clustering With Shared Nearest Neighbor Method,” Computer Engineering and Applications, 2016.
[20] D. Yuliana, Purwanto och C. Supriyanto, ”Klasifikasi Teks Pengaduan Masyarakat Dengan Mengguankan Algoritma Neural Network,” UPI YPTK Jurnal KomTekInfo, Vol. 1, No.3, pp. 92-116, 2019.
[21] G. Hadju, Y. Minoso, R. Lopez , M. Acosta och A. Elleithy, ”Use Of Artificial Neural Networks to Identify Fake Profiles,” IEEE Long Island Systems, Applications and Technology Conference (LISAT), 2019.
[22] F. Fathurrahman, M. M. Santoni och A. Muliawati, ”Penerapan Artificial Neural Network Untuk Klasifikasi Citra Teks Dalam Penerjemahan Bahasa Daerah,” Seminar Nasional Mahasiswa Ilmu Komputer dan Aplikasinya (SENAMIKA), 2020.
[23] H. Putra och N. U. Walmi, ”Penerapan Prediksi Produksi Padi Menggunakan Artificial Neural Network Algoritma Backpropagation,” Jurnal Nasional Teknologi dan Sistem Informasi, 2020.
[24] B. Y. Pandji, Indwiarti och A. A. Rohmawati, ”PERBANDINGAN PREDIKSI HARGA SAHAM DENGAN MODEL ARIMA DAN ARTIFICIAL NEURAL NETWORK,” Ind. Journal on Computing, 2019.
[25] N. Fitriana, R. Ghazian, S. Khoirina, T. Salsabila, V. Baby och Kariyam, ”Perbandingan metode double exponential smoothing dan artificial neural network untuk meramalkan perkembangan covid-19 di Indonesia,” Seminar Nasional Matematika dan Pendidikan Matematika, 2020.
[26] G. E. Kambey, R. Sengkey och A. Jacobus, ”Penerapan Clustering pada Aplikasi Pendeteksi Kemiripan Dokumen Teks Bahasa Indonesia,” Jurnal Teknik Informatika, 2020.
[27] C. Supriadi , H. D. Purnomo och I. Sembiring, ”Sensitivitas Sistem Pencarian Artikel Bahasa Indonesia Menggunakan Metode n-gram Dan Tanimoto Cosine,” TRANSFORMATIKA, 2020.
[28] I. F. Rozi, V. N. Wijayaningrum och N. Khozin, ”Klasifikasi Teks Laporan Masyarakat Pada Situs Lapor! Menggunakan Reccurent Neural Network,” SISTEMASI : Jurnal Sistem Informasi, Vol. 1, No.3, 2020.
[29] R. Rismanto, A. R. Syulisto och B. P. C. Agusta, ”Research Supervisor Recommendation System Based on Topic Conformity,” Modern Education and Computer Science, pp. 26-34, 2020.
[30] E. Y. Ningsih, I. Rosyadi och H. Handayani, ”Sistem Informasi Pengaduan Online Pada Masyarakat Kecamatan Kajen Kabupaten Pekalongan Berbasis Web dan Android.,” Surya Informatika, Vol. 1, No.1, 2020.
[31] A. Sofyan och S. Santosa, ”Text Mining Untuk Klasifikasi Pengaduan Pada Sistem Lapor Menggunakan Metode C4.5 Berbasis Forward Selection,” Jurnal Teknologi Informasi, Vol. 212, No.1, 2016.
[32] H. P. Hadi och T. S. Sukamto, ”Klasifikasi Jenis Laporan Masyarakat dengan K-Nearest Neighbor Algorithm,” Journal of Information System, Vol.25, No.1, 2020.