Publisher

STIKOM BALISTIKOM BALI

Journal Jurnal Sistem dan Informatika (JSI)Jurnal Sistem dan Informatika (JSI) Abstract

Perpustakaan STIKOM Bali berperan penting dalam mendukung pembelajaran dan riset oleh dosen maupun mahasiswa. Strategi peningkatan layanan perpustakaan dilakukan dengan mengumpulkan data saran dari anggota perpustakaan melalui kuesioner. Saran tersebut dikelompokkan menjadi beberapa kategori. Prioritas perbaikan diambil berdasarkan kategori dengan jumlah saran terbanyak. Namun, pustakawan dan staf memiliki kesulitan untuk mengelompokkan saran sehingga sulit untuk menentukan prioritas perbaikan. Permasalahan ini diatasi dengan mengklasifikasi data saran pemustaka menggunakan machine learning. Data awal berisi 1015 saran dengan 5264 kata. 608 saran tidak valid karena bukan merupakan kata atau diisi dengan huruf acak. Data tersebut diproses menjadi beberapa versi menggunakan pra pemrosesan yang berbeda. Transformasi teks menjadi bentuk numerik dilakukan menggunakan metode TF-IDF. Sebelum diklasifikasi, data diseimbangkan menggunakan beberapa metode class balancing yaitu SMOTE, ROS, RUS, dan TL. Proses klasifikasi dilakukan dengan menggunakan metode Multinomial Naive Bayes. Hasil klasifikasi dievaluasi menggunakan metrik performa yaitu accuracy, precission, recall, dan F1-score. Nilai tertinggi diperoleh oleh data yang tidak mengalami pra pemrosesan dan data dengan pra pemrosesan lowecase conversion dengan class balancing ROS dengan nilai accuracy 0.798, precission 0.869, recall 0.798, dan F1-score 0.815. Penelitian ini menemukan bahwa teknik pra pemrosesan tidak selalu meningkatkan performa klasifikasi. Pra pemrosesan sebaiknya dilakukan dengan mempertimbangkan karakteristik data yang digunakan.

Conclusion

Penelitian ini mengkaji klasifikasi saran pemustaka pada Perpustakaan STIKOM Bali dengan menggunakan TF‑IDF dan Multinomial Naive Bayes serta beragam teknik pra‑pemrosesan dan class balancing, menemukan bahwa konversi huruf kecil tidak berpengaruh signifikan, penghapusan stop‑word menurunkan performa, dan perbaikan ejaan sedikit meningkatkan hasil, sementara teknik balancing ROS meningkatkan metrik akurasi, presisi, recall, dan F1.Model terbaik diperoleh dari data tanpa pra‑pemrosesan atau dengan konversi huruf kecil yang dipadukan dengan balancing ROS, menghasilkan nilai akurasi 0,798, presisi 0,869, recall 0,798, dan F1‑score 0,815.Meskipun demikian, model masih belum cukup optimal untuk penerapan langsung, sehingga diperlukan penelitian lanjutan yang mengeksplorasi metode transformasi teks atau algoritma klasifikasi alternatif serta validasi kuesioner untuk menghindari data tidak valid.

Future Research

Penelitian selanjutnya dapat menyelidiki apakah penggunaan representasi teks berbasis embedding seperti Word2Vec, FastText, atau model bahasa BERT dapat meningkatkan akurasi klasifikasi saran pemustaka dibandingkan TF‑IDF tradisional, khususnya pada dataset yang mengandung banyak kata tidak baku dan variasi bahasa. Selain itu, perlu dieksplorasi penerapan algoritma klasifikasi modern seperti jaringan saraf konvolusional (CNN), jaringan saraf berulang (LSTM), atau metode ensemble (misalnya Random Forest dan Gradient Boosting) untuk menilai apakah metode tersebut dapat mengatasi keterbatasan performa Multinomial Naive Bayes pada data tidak seimbang. Terakhir, disarankan merancang sistem validasi otomatis pada tahap pengisian kuesioner yang memanfaatkan deteksi anomali teks dan analisis bahasa untuk menyaring entri tidak valid atau acak, sehingga kualitas data masukan menjadi lebih terjamin dan model klasifikasi dapat dilatih dengan data yang lebih bersih.

References

1. The influence of preprocessing on text classification using a bag-of-words representation | PLOS One.... journals.plos.org/plosone/article?id=10.1371/journal.pone.0232525The influence of preprocessing on text classification using a bag of words representation PLOS One journals plos plosone article id 10 1371 journal pone 0232525

Metadata

File size	576.95 KB
Pages	11
DMCA	Report