Implementasi Cosine Similarity untuk Peningkatan Akurasi Pengukuran Kesamaan Dokumen pada Klasifikasi Dokumen Berita dengan K Nearest Neighbour

Abstract

ABSTRAK Klasifikasi dokumen berita secara otomatis menggunakan komputer diusulkan agar lebih efisien dalam memproses dokumen dalam jumlah banyak. Metode klasifikasi K-Nearest Neighbour yang menggunakan Euclidean Distance sebagai metode pengukuran kesamaan dokumen kurang akurat karena dipengaruhi oleh panjang dokumen. Dokumen yang mirip tetapi memiliki panjang dokumen yang berbeda mungkin memiliki nilai jarak yang tinggi. Tujuan penelitian ini adalah mengimplementasikan Cosine Similarity untuk meningkatkan akurasi pengukuran kesamaan dokumen pada klasifikasi dokumen berita dengan metode K-Nearest Neighbor. Pada penelitian ini diusulkan Cosine Similarity sebagai metode pengukuran kesamaan dokumen berita. Cosine Similarity menghitung kesamaan antar dua buah dokumen berdasarkan besar sudut cosinus. Hasil penelitian menunjukkan bahwa implementasi Cosine Similarity dapat meningkatkan akurasi pengukuran kesamaan dokumen pada klasifikasi dokumen berita dengan metode K-Nearest Neighbour. Rata-rata akurasi metode K-Nearest Neighbour dengan Cosine Similarity adalah 98,12%, sedangkan akurasi metode K-Nearest Neighbour dengan Euclidean Distance adalah 56,51%. ABSTRACT News documents automatic classification by using computer was proposed for more efficient process to handle a large of documents. K-Nearest Neighbour classification with Euclidean Distance as document similarity measurement is less accurate because affected by document size. Similar documents with different size may have higher distance. This study aims to use Cosine Similarity to increase documents similarity measurements in new documents classification with K-Nearest Neighbour. This study proposed Cosine Similarity as news documents similarity measurements. Cosine Similarity calculates similarity of two documents according to a value of cosine degree. The experimental result shows that the implementation of Cosine Similarity can increase the accuracy of document similarity measurements in news documents classification with K-Nearest Neighbour. The average accuracy of K-Nearest Neighbour with Cosine Similarity and Euclidean Distance is 98,12% and 56,51%..