Term Frequency by Inverse Document Frequency

2011 ◽  
Keyword(s):  
Inverse Document Frequency ◽  
Term Frequency ◽  
Document Frequency

scholarly journals Sistem Rekomendasi Produk Pena Eksklusif Menggunakan Metode Content-Based Filtering dan TF-IDF

2020 ◽  
Vol 5 (3) ◽  
pp. 229
Author(s):  
Mariani Widia Putri ◽  
Achmad Muchayan ◽  
Made Kamisutara
Keyword(s):  
Information Retrieval ◽  
Customer Relationship Management ◽  
Relationship Management ◽  
Customer Relationship ◽  
Brand Awareness ◽  
Product Knowledge ◽  
Inverse Document Frequency ◽  
Term Frequency ◽  
Document Frequency ◽  
Content Based Filtering

Sistem rekomendasi saat ini sedang menjadi tren. Kebiasaan masyarakat yang saat ini lebih mengandalkan transaksi secara online dengan berbagai alasan pribadi. Sistem rekomendasi menawarkan cara yang lebih mudah dan cepat sehingga pengguna tidak perlu meluangkan waktu terlalu banyak untuk menemukan barang yang diinginkan. Persaingan antar pelaku bisnis pun berubah sehingga harus mengubah pendekatan agar bisa menjangkau calon pelanggan. Oleh karena itu dibutuhkan sebuah sistem yang dapat menunjang hal tersebut. Maka dalam penelitian ini, penulis membangun sistem rekomendasi produk menggunakan metode Content-Based Filtering dan Term Frequency Inverse Document Frequency (TF-IDF) dari model Information Retrieval (IR). Untuk memperoleh hasil yang efisien dan sesuai dengan kebutuhan solusi dalam meningkatkan Customer Relationship Management (CRM). Sistem rekomendasi dibangun dan diterapkan sebagai solusi agar dapat meningkatkan brand awareness pelanggan dan meminimalisir terjadinya gagal transaksi di karenakan kurang nya informasi yang dapat disampaikan secara langsung atau offline. Data yang digunakan terdiri dari 258 kode produk produk yang yang masing-masing memiliki delapan kategori dan 33 kata kunci pembentuk sesuai dengan product knowledge perusahaan. Hasil perhitungan TF-IDF menunjukkan nilai bobot 13,854 saat menampilkan rekomendasi produk terbaik pertama, dan memiliki keakuratan sebesar 96,5% dalam memberikan rekomendasi pena.

scholarly journals Seleksi Fitur Bobot Kata dengan Metode TFIDF untuk Ringkasan Bahasa Indonesia

2018 ◽  
pp. 119
Author(s):  
Ni Komang Widyasanti ◽  
I Ketut Gede Darma Putra ◽  
Ni Kadek Dwi Rusjayanthi
Keyword(s):  
Inverse Document Frequency ◽  
Term Frequency ◽  
Document Frequency ◽  
Bahasa Indonesia

Penyebaran informasi dalam bentuk teks digital semakin tak terbendung seiring perkembangan waktu. Kebutuhan akan membaca informasi juga tidak pernah berkurang, berdasarkan riset yang dilakukan pada lima kota besar di Indonesia sepanjang tahun 2015 oleh okezone.com menyatakan persentasi konsumsi berita secara online mencapai 96%. Salah satu solusi untuk mempermudah dan mempercepat pencarian informasi yang sesuai adalah dengan meringkas konten tersebut. TFIDF (Term Frequency Inverse Document Frequency) merupakan metode pembobotan dalam bentuk integrasi antar term frequency dengan inverse document frequency. Metode TFIDF digunakan pada penelitian ini untuk memilih fitur sebagai hasil ringkasan, dengan penerapannya pada seleksi fitur bobot kata. Nilai kepuasan pembaca sebesar 61,94%. Durasi ringkasan rata-rata 68,25 detik dengan jumlah kalimat dan kata rata-rata 31,875 dan 387,375. Penelitian dilakukan menggunakan jenis dokumen fiksi dan non-fiksi serta seleksi fitur disetiap paragrafnya, yang membedakannya dengan penelitian terkait sebelumnya. Kata Kunci: Ringkasan Teks Otomatis, Pembobotan TFIDF, Bahasa Indonesia

scholarly journals SMS Spam Message Detection using Term Frequency-Inverse Document Frequency and Random Forest Algorithm

2019 ◽  
Vol 161 ◽  
pp. 509-515 ◽  
Author(s):  
Nilam Nur Amir Sjarif ◽  
Nurulhuda Firdaus Mohd Azmi ◽  
Suriayati Chuprat ◽  
Haslina Md Sarkan ◽  
Yazriwati Yahya ◽  
...  
Keyword(s):  
Random Forest ◽  
Random Forest Algorithm ◽  
Inverse Document Frequency ◽  
Term Frequency ◽  
Document Frequency

TF-SIDF: Term frequency, sketched inverse document frequency

2011 ◽  
Author(s):  
Manuel Baena-Garcia ◽  
Jose M. Carmona-Cejudo ◽  
Gladys Castillo ◽  
Rafael Morales-Bueno
Keyword(s):  
Inverse Document Frequency ◽  
Term Frequency ◽  
Document Frequency

scholarly journals DETEKSI EMOSI MEDIA SOSIAL MENGGUNAKAN TERM FREQUENCY- INVERSE DOCUMENT FREQUENCY

2021 ◽  
Vol 11 (3) ◽  
pp. 140
Author(s):  
Arif Nur Rohman ◽  
Riska Dwi Handayani ◽  
Ryan Dwi Y. P. ◽  
Kusrini Kusrini
Keyword(s):  
Inverse Document Frequency ◽  
Term Frequency ◽  
Document Frequency

<em>Pada saat ini, manusia cenderung mengekspresikan pendapat, dan emosi melalui media sosial. Keterbukaan ekspresi pada media sosial membuat batasan batasan pribadi seseorang menjadi lebur. Orang tidak lagi sungkan menulis kehidupan pribadinya melalui postingan status pembaharuan untuk dilihat oleh orang lain. Penulis mencoba menggunakan data dari media sosial agar dapat dilakukan analisis untuk mendapatan informasi kepribadian termasuk emosi. Sebelum dianalisis, data dilakukan pra pemrosesan membuang symbol dan icon, normalisasi teks, stemming dan membuang stopword terlebih dahulu untuk memperbaiki data dari media sosial yang menggunakan bahasa tidak baku. Pra pemrosesan memperoleh hasil akhir 365 dataset yang dipisah menjadi 265 data latih dan 100 data uji. Tiap data sudah memiliki label emosi yang diberikan secara manual oleh pengguna facebook selaku penulis dari postingan. Perhitungan dilakukan dengan TF IDF untuk mendapatkan bobot tiap kata atau token, lalu label emosi data latih dengan nilai tertinggi diberikan pada data yang diuji. Dari 100 data uji diperoleh akurasi 59%, selebihnya 41% tidak akurat. Emosi dianggap hal penting yang berpengaruh pada seseorang dalam pengambilan keputusan, sehingga deteksi emosi seseorang dapat dimanfaatkan sebagai input sistem pendukung keputusan penerimaan pegawai dan konseling kepribadian.</em>

scholarly journals Aspect Category Classification dengan Pendekatan Machine Learning Menggunakan Dataset Bahasa Indonesia

2021 ◽  
Vol 10 (3) ◽  
pp. 229-235
Author(s):  
Syaifulloh Amien Pandega Perdana ◽  
Teguh Bharata Aji ◽  
Ridi Ferdiana
Keyword(s):  
Machine Learning ◽  
Support Vector Machine ◽  
Random Forest ◽  
Sentiment Analysis ◽  
Support Vector ◽  
Term Weighting ◽  
Inverse Document Frequency ◽  
Term Frequency ◽  
Document Frequency ◽  
Bahasa Indonesia

Ulasan pelanggan merupakan opini terhadap kualitas barang atau jasa yang dirasakan konsumen. Ulasan pelanggan mengandung informasi yang berguna bagi konsumen maupun penyedia barang atau jasa. Ketersediaan ulasan pelanggan dalam jumlah besar pada website membutuhkan suatu framework untuk mengekstraksi sentimen secara otomatis. Sebuah ulasan pelanggan sering kali mengandung banyak aspek sehingga Aspect Based Sentiment Analysis (ABSA) harus digunakan untuk mengetahui polaritas masing-masing aspek. Salah satu tugas penting dalam ABSA adalah Aspect Category Detection. Metode machine learning untuk Aspect Category Detection sudah banyak dilakukan pada domain berbahasa Inggris, tetapi pada domain bahasa Indonesia masih sedikit. Makalah ini membandingkan kinerja tiga algoritme machine learning, yaitu Naïve Bayes (NB), Support Vector Machine (SVM), dan Random Forest (RF) pada ulasan pelanggan berbahasa Indonesia menggunakan Term Frequency–Inverse Document Frequency (TF-IDF) sebagai term weighting. Hasil menunjukkan bahwa RF memiliki kinerja paling unggul dibandingkan NB dan SVM pada tiga domain yang berbeda, yaitu restoran, hotel, dan e-commerce, dengan nilai f1-score untuk masing-masing domain adalah 84.3%, 85.7%, dan 89,3%.

Sign in / Sign up

Export Citation Format

Share Document