KOMPARASI ALGORITMA NAIVE BAYES DAN SUPPORT VECTOR MACHINE (SVM) DALAM PENENTUAN KATEGORI ARTIKEL DI WEBSITE MAJELISTABLIGHPWMJATENG.COM

Agung Dwi Hanggoro; Aslam Fatkhudin; Fenilinas Adi Artanto

Publikasi

Karya Ilmiah Mahasiswa

Pencarian Spesifik

Kunjungan

Quick Search

Detail Record

Kembali Ke sebelumnya

KOMPARASI ALGORITMA NAIVE BAYES DAN SUPPORT VECTOR MACHINE (SVM) DALAM PENENTUAN KATEGORI ARTIKEL DI WEBSITE MAJELISTABLIGHPWMJATENG.COM

Pengarang : Agung Dwi Hanggoro, Aslam Fatkhudin, Fenilinas Adi Artan

Kata Kunci :Kata kunci: klasifikasi teks, judul artikel, TF-IDF, Naive Bayes, Support Vector Machine, website dakwah, majelistablighpwmjateng.com.

ABSTRAK

Perkembangan publikasi digital mendorong meningkatnya jumlah artikel yang perlu dikelola dan dikelompokkan secara sistematis. Website majelistablighpwmjateng.com menyediakan berbagai artikel dakwah dengan kategori yang beragam. Kondisi tersebut menjadikan proses pengategorian secara manual berpotensi memerlukan waktu yang lebih lama serta menghasilkan pelabelan yang kurang konsisten. Penelitian ini bertujuan untuk membangun model klasifikasi kategori artikel berdasarkan judul dan membandingkan kinerja algoritma Naive Bayes dengan Support Vector Machine dalam mengklasifikasikan artikel dakwah berbahasa Indonesia. Data penelitian berupa judul artikel beserta kategorinya yang diperoleh dari website majelistablighpwmjateng.com pada periode 10 Juni 2023 hingga 9 Juni 2026. Dataset awal berjumlah 1.369 data yang terbagi dalam 19 kategori. Kategori Khutbah Nikah yang hanya memiliki satu data dihapus agar proses pembagian dataset dapat dilakukan secara optimal. Setelah penghapusan tersebut, dataset akhir terdiri atas 1.368 data dalam 18 kategori. Tahapan penelitian mencakup pengumpulan data, preprocessing yang meliputi cleaning, case folding, tokenisasi, dan stopword removal, pembobotan fitur dengan metode Term Frequency-Inverse Document Frequency, pelatihan model, serta evaluasi menggunakan metrik accuracy, precision, recall, dan F1-score. Hasil pengujian menunjukkan bahwa algoritma SVM menghasilkan kinerja yang lebih baik daripada Naive Bayes. Model SVM mencapai accuracy sebesar 79,56%, precision sebesar 72,11%, recall sebesar 79,56%, dan F1-score sebesar 74,36%. Adapun model Naive Bayes memperoleh accuracy sebesar 73,36%, precision sebesar 64,73%, recall sebesar 73,36%, dan F1-score sebesar 66,86%. Perbedaan tersebut mengindikasikan bahwa SVM lebih efektif dalam menangani data teks berdimensi tinggi dan pola kategori yang kompleks. Meskipun demikian, ketidakseimbangan jumlah data pada setiap kategori masih memengaruhi kemampuan model dalam mengidentifikasi kelas minoritas. Berdasarkan hasil penelitian, kombinasi TF-IDF dan SVM lebih sesuai digunakan untuk mengklasifikasikan kategori judul artikel pada website majelistablighpwmjateng.com dibandingkan kombinasi TF-IDF dan Naive Bayes. Penelitian ini diharapkan dapat mendukung proses pengelompokan artikel secara lebih cepat, konsisten, dan efisien, serta menjadi referensi bagi pengembangan sistem klasifikasi teks berbahasa Indonesia dalam domain dakwah.

Kata kunci: klasifikasi teks, judul artikel, TF-IDF, Naive Bayes, Support Vector Machine, website dakwah, majelistablighpwmjateng.com.

NASKAH PUBLIKASI

Referensi

DAFTAR PUSTAKA

Aiman, A. S., Lhaksmana, K. M., & Jondri. (2022). Topic Classification of Quranic Verses in English Translation Using Word Centrality Measurement. Jurnal RESTI, 6(5), 803–809. https://doi.org/10.29207/resti.v6i5.4358

Alfando, A., & Hayami, R. (2023). KLASIFIKASI TEKS BERITA BERBAHASA INDONESIA MENGGUNAKAN MACHINE LEARNING DAN DEEP LEARNING: STUDI LITERATUR. JATI (Jurnal Mahasiswa Teknik Informatika), 7(1), 681–686. https://doi.org/10.36040/jati.v7i1.6486

Alita, D., Fernando, Y., & Sulistiani, H. (2020). Implementasi Algoritma Multiclass SVM Pada Opini Publik Berbahasa Indonesia Di Twitter. Jurnal Tekno Kompak, 14(2), 86. https://doi.org/10.33365/jtk.v14i2.792

Alkaff, M., Baskara, A. R., & Maulani, I. (2021). Klasifikasi Laporan Keluhan Pelayanan Publik Berdasarkan Instansi Menggunakan Metode LDA-SVM. Jurnal Teknologi Informasi Dan Ilmu Komputer, 8(6), 1265–1276. https://doi.org/10.25126/jtiik.2021863768

Andini, A. S., Murdiansyah, D. T., & Lhaksmana, K. M. (2021). Topic Classification of Islamic Question and Answer Using Naïve Bayes and TF-IDF Method. Computer Engineering and Applications Journal, 10(3), 151–160. https://doi.org/10.18495/comengapp.v10i3.385

Aziza, A., Hasanah, R., Juairiah, J., & Munsyi, M. (2025). Analyzing radicalism sentiments in Indonesian da’wah content on website da’wah through text mining techniques. International Journal of Informatics and Communication Technology (IJ-ICT), 14(2), 575. https://doi.org/10.11591/ijict.v14i2.pp575-585

Cahyani, D. E., & Patasik, I. (2021). Performance comparison of TF-IDF and Word2Vec models for emotion text classification. Bulletin of Electrical Engineering and Informatics, 10(5), 2780–2788. https://doi.org/10.11591/eei.v10i5.3157

Chrishariyani, C. D. A. A. P., Rahman, Y., & Aini, Q. (2022). Kepuasan Pengguna Layanan Shopee Food Menggunakan Algoritma Naive Bayes. JURNAL SISTEM INFORMASI BISNIS, 12(2), 98–105. https://doi.org/10.21456/vol12iss2pp98-105

Dewi, N. L. P. R., Wijaya, I. N. S. W., Purnamawan, I. K., & Marti, N. W. (2024). Model Classifer Judul Berita Pariwisata Indonesia Berdasarkan Sentimen. Jurnal Teknologi Informasi Dan Ilmu Komputer, 11(1), 117–124. https://doi.org/10.25126/jtiik.20241117617

Efrizoni, L., Defit, S., Tajuddin, M., & Anggrawan, A. (2022). Komparasi Ekstraksi Fitur dalam Klasifikasi Teks Multilabel Menggunakan Algoritma Machine Learning. MATRIK?: Jurnal Manajemen, Teknik Informatika Dan Rekayasa Komputer, 21(3), 653–666. https://doi.org/10.30812/matrik.v21i3.1851

Fan, H., & Qin, Y. (2018). Research on Text Classification Based on Improved TF-IDF Algorithm. Proceedings of the 2018 International Conference on Network, Communication, Computer Engineering (NCCE 2018), 147(Ncce), 501–506. https://doi.org/10.2991/ncce-18.2018.79

Garini, J. G., Hidayanto, A. N., & Fina, A. (2023). Using machine learning to improve a telco self-service mobile application in Indonesia. IAES International Journal of Artificial Intelligence (IJ-AI), 12(4), 1947. https://doi.org/10.11591/ijai.v12.i4.pp1947-1959

Ilmawan, L. B., & Mude, M. A. (2020). Perbandingan Metode Klasifikasi Support Vector Machine dan Naïve Bayes untuk Analisis Sentimen pada Ulasan Tekstual di Google Play Store. ILKOM Jurnal Ilmiah, 12(2), 154–161. https://doi.org/10.33096/ilkom.v12i2.597.154-161

Iqrom, R. A., & Kurniawan, T. B. (2023). Multi-Label Text Classification for Indonesian Language IT Journal with K-Nearest Neighbors (KNN). INTI Journal, JODS(2023). https://doi.org/10.61453/jods.v2023no05

Lubis, A. R., Nasution, M. K. M., Sitompul, O. S., & Zamzami, E. M. (2021). The effect of the TF-IDF algorithm in times series in forecasting word on social media. Indonesian Journal of Electrical Engineering and Computer Science, 22(2), 976–984. https://doi.org/10.11591/ijeecs.v22.i2.pp976-984

Muhammadin, A., & Sobari, I. A. (2021). ANALISIS SENTIMEN PADA ULASAN APLIKASI KREDIVO DENGAN ALGORITMA SVM DAN NBC. Reputasi: Jurnal Rekayasa Perangkat Lunak, 2(2), 85–91. https://doi.org/10.31294/reputasi.v2i2.785

Nashir, M., Dian Ade Kurnia, Yudhistira Arie Wijaya, Ade Irma Purnama Sari, & Nisa Dienwati Nuris. (2025). PERBANDINGAN KINERJA SVM DAN NAÏVE BAYES PADA ANALISIS SENTIMEN KOMENTAR DEMONSTRASI DPR 25 AGUSTUS 2025. Jurnal Mahasiswa Sistem Informasi (JMSI), 7(1), 392–401. https://doi.org/10.24127/jmsi.v7i1.10650

Nuwairah, N., Munsyi, M., Amrullah, A., Ariani, A., & Aslamiah, R. (2024). Klasifikasi Konten Pada Situs Web Dakwah Indonesia Menggunakan Text Mining Untuk Deteksi Paham Islam Radikal. Technologia?: Jurnal Ilmiah, 15(4), 799. https://doi.org/10.31602/tji.v15i4.16333

Pranata, A., Rudiman, R., & Verdikha, N. A. (2024). Klasifikasi Teks Quick Count Pemilihan Presiden 2024 pada Twitter menggunakan Metode TF-IDF dan Naive Bayes. Jurnal Informatika Terpadu, 10(2), 93–100. https://doi.org/10.54914/jit.v10i2.1279

Ramadhan, M. F. (2025). Klasifikasi Topik dan Sentimen Judul Berita dengan Augmentasi dan TF-IDF. RIGGS: Journal of Artificial Intelligence and Digital Business, 4(2), 6732–6741. https://doi.org/10.31004/riggs.v4i2.1692

Rani, S., Aslamiah, R., Amrullah, A., & M.T, M. (2025). SISTEM KlASIFIKASI KONTEN RADIKAL WEBSITE DAKWAH MENGGUNAKAN ALGORITMA KNN. Technologia?: Jurnal Ilmiah, 16(3), 604. https://doi.org/10.31602/tji.v16i3.19701

Romadoni, F., Umaidah, Y., & Sari, B. N. (2020). Text Mining Untuk Analisis Sentimen Pelanggan Terhadap Layanan Uang Elektronik Menggunakan Algoritma Support Vector Machine. Jurnal Sisfokom (Sistem Informasi Dan Komputer), 9(2), 247–253. https://doi.org/10.32736/sisfokom.v9i2.903

Salsabila, F., Helen, A., & Yuliawati, S. (2022). Klasifikasi Topik terhadap Judul Berita Kasus Covid-19 dengan Multilayer Perceptron. Techno.Com, 21(4), 795–803. https://doi.org/10.33633/tc.v21i4.6617

Sihombing, O., Sitorus, S. T. Y., Indra, E., & Sinurat, S. H. (2022). Comparative Analysis of Indonesian Text Mining News Online Classification Using the K-Nearest Neighbor and Random Forest Algorithm. Jurnal Sistem Informasi Dan Ilmu Komputer Prima(JUSIKOM PRIMA), 6(1), 49–55. https://doi.org/10.34012/jurnalsisteminformasidanilmukomputer.v6i1.2824

Sihombing, P. R., & Yuliati, I. F. (2021). Penerapan Metode Machine Learning dalam Klasifikasi Risiko Kejadian Berat Badan Lahir Rendah di Indonesia. MATRIK?: Jurnal Manajemen, Teknik Informatika Dan Rekayasa Komputer, 20(2), 417–426. https://doi.org/10.30812/matrik.v20i2.1174

Sudrajat, A., Wulandari, R. R., & Syafwan, E. (2022). Indonesian Language Hoax News Classification Basedn on Naïve Bayes . Journal of Applied Intelligent System, 7(1), 70–79. https://doi.org/10.33633/jais.v7i1.5985

Sujaini, H. (2019). Klasifikasi Citra Alat Musik Tradisional dengan Metode k-Nearest Neighbor, Random Forest, dan Support Vector Machine. JURNAL SISTEM INFORMASI BISNIS, 9(2), 185. https://doi.org/10.21456/vol9iss2pp185-191

Sutresno, S. A. (2023). Analisis Sentimen Masyarakat Indonesia Terhadap Dampak Penurunan Global Sebagai Akibat Resesi di Twitter. Building of Informatics, Technology and Science (BITS), 4(4). https://doi.org/10.47065/bits.v4i4.3149

Tuhenay, D. (2021). Perbandingan Klasifikasi Bahasa Menggunakan Metode Naïve Bayes Classifier (NBC) Dan Support Vector Machine (SVM). JIKO (Jurnal Informatika Dan Komputer), 4(2), 105–111. https://doi.org/10.33387/jiko.v4i2.2958

Tuhenay, D., & Mailoa, E. (2021). Perbandingan Klasifikasi Bahasa Menggunakan Metode Naïve Bayes Classifier ( Nbc ) Dan Support Vector Machine ( SVM ) Comparison of Language Classification Using Naive Bayes Classifier ( Nbc ) and Support Vector Machine ( SVM ) Method. JIKO (Jurnal Informatika Dan Komputer), 4(2), 105–111. https://doi.org/10.33387/jiko

Wati, R., Ernawati, S., & Rachmi, H. (2023). Pembobotan TF-IDF Menggunakan Naïve Bayes pada Sentimen Masyarakat Mengenai Isu Kenaikan BIPIH. Jurnal Manajemen Informatika (JAMIKA), 13(1), 84–93. https://doi.org/10.34010/jamika.v13i1.9424

Winarti, T., Indriyawati, H., Vydia, V., & Christanto, F. W. (2021). Performance comparison between naive bayes and k- nearest neighbor algorithm for the classification of Indonesian language articles. IAES International Journal of Artificial Intelligence (IJ-AI), 10(2), 452. https://doi.org/10.11591/ijai.v10.i2.pp452-457

Wongso, R., Luwinda, F. A., Trisnajaya, B. C., Rusli, O., & Rudy. (2017). News Article Text Classification in Indonesian Language. Procedia Computer Science, 116, 137–143. https://doi.org/10.1016/j.procs.2017.10.039

Properti	Nilai Properti
Organisasi	Universitas Muhammadiyah Pekajangan Pekalongan
Email	umpp.pekalongan@yahoo.com
Alamat	Jl. Raya Pekajangan No. 1A Kedungwuni Pekalongan
Telepon	(0285) 7832294
Tahun	2026
Kota	Pekalongan
Provinsi	Jawa Tengah
Negara	Indonesia