ABSTRAKSI: Pesatnya penggunaan Internet sebagai sarana penyebarluasan informasi mengakibatkan tersedianya informasi dalam jumlah yang banyak, beraneka ragam dan pada umumnya tidak terstruktur. Hal ini mendorong kebutuhan untuk mengelola informasi guna mendapatkan pengetahuan yang bermanfaat. Salah satu komponen penting dalam pengelolaan informasi adalah kategorisasi teks yang dapat membantu pengguna dalam mendapatkan informasi berdasarkan kategori tertentu secara cepat dan akurat.
tertentu secara cepat dan akurat. Pada tugas akhir ini digunakan Feature Projection dan k-Nearest Neighbor Feature Projection (k-NNFP) untuk mengklasifikasikan dokumen berita berbahasa Indonesia. Dari perangkat lunak yang dihasilkan, diukur performansi dan waktu klasifikasi dari kedua classifier pada berbagai data set dan dibandingkan dengan k-Nearest Neighbor.
Feature Projection dan k-Nearest Neighbor Feature Projection (k-NNFP) memiliki performansi yang tinggi dan bervariasi pada berbagai data set namun selisih yang terjadi hanya sedikit. Dari hasil penelitian pada tugas akhir ini juga diketahui bahwa Feature Projection memiliki waktu klasifikasi yang lebih cepat jika dibandingkan dengan k-NNFP dan k-NN. Hal ini menunjukkan Feature Projection dapat menjadi sebuah classifier yang berguna dalam proses kategorisasi teks yang membutuhkan kecepatan dan performansi yang tinggi.Kata Kunci : Feature Projection, k-Nearest Neighbor Feature Projection , k-ABSTRACT: The rapid usage of internet as an information spreading medium causes information availability in the large amount, various, and commonly unstructured. This lead to the need of information management to get useful knowledge. One of important components in information management is text categorization that can help user to get information based on certain category fast and accurately.
In this final project will be used Feature Projection and k-Nearest Neighbor Feature Projection (k-NNFP) to classify Indonesian news document. From resulted software, it will be measured performance and classification time from both classifier in many data sets and compared to k-Nearest Neighbor.
Feature Projection and k-Nearest Neighbor Feature Projection (k-NNFP) have high performance and varied in many data sets but it have little difference. From the research in this final project also can be known that Feature Projection has faster classification time compared to k-NNFP and k-NN. This is demonstrated that Feature Projection can be a useful classifier in text categorization process that needs high performance and high speed.Keyword: Feature Projection, k-Nearest Neighbor Feature Projection , k-Nearest