KLASIFIKASI DOKUMEN WEB BERITA UNIVERSITAS MENGGUNAKAN METODE K-NN (K-NEAREST NEIGHBOR)

Sebagian besar situs web universitas di Indonesia belum menerapkan klasifikasi terhadap content yang disediakannya. Tiga situs web telah mengaplikasikan klasifikasi manual adalah ITB, UGM dan IPB dimana hasilnya masih rancu. Pengunjung dari situs web universitas membutuhkan informasi yang fokus mengenai topik tertentu, cepat dalam pemrosesan query pengguna dan terbarukan. Kami melakukan penelitian untuk membangun sistem bernama k-NN Portal yang dimaksudkan untuk mengklasifikasikan dokumen berita dari 10 situs web terpilih menggunakan metode klasifikasi teks k-NN (k-nearest neighbor). Hasil klasifikasi selanjutnya digunakan untuk meningkatkan kinerja dari proses penanganan query pengguna. Kemiripan antara query dengan daftar dokumen yang terdapat dalam repository k-NN Portal dihitung dengan cosine similairity. Teknik cache diikutsertakan untuk mempercepat pemrosesan query tersebut. Hasil pengujian memperlihatkan bahwa akurasi klasifikasi k-NN untuk dokumen teks berita mampu mencapai 95% saat dokumen diwakili oleh judul dan paragraf pertama (k=20, 25 dan 45) tetapi hanya maksimal 40% saat dokumen diwakili oleh judul dan isi lengkap. Adanya klasifikasi terbukti meningkatkan presisi hasil pencarian dan mempersingkat proses pencarian tersebut. Kehadiran cache menjadikan waktu pemrosesan query yang telah ada sebelumnya menjadi jauh lebih cepat, rata-rata hanya memerlukan 7 mili detik.