PERBANDINGAN METODE K-NEAREST NEIGHBOUR DAN NAIVE BAYES CLASSIFICATION UNTUK MEMBENTUK SISTEM REKOMENDASI BERITA OLAHRAGA ONLINE BERBASIS WEB APPLICATION

Abstract

Berita olahraga online merupakan berita yang mengandung konten olahraga dan disebarkan melalui media online sehingga dapat diakses dengan mudah. Dengan adanya beragam pilihan berita olahraga online yang tersedia, maka dibutuhkan suatu metode yang dapat membentuk sistem rekomendasi yang andal. Klasifikasi merupakan salah satu metode untuk membentuk sistem rekomendasi data teks. Dalam penelitian ini, data primer berupa 2500 judul berita olahraga diperoleh melalui proses web scraping dari beberapa website berita olahraga Indonesia yang terdiri dari 9 kategori yaitu “bola indonesia”, “bola inggris”, “bola italia”, “bola spanyol”, “basket”, “badminton”,” f1”, “motogp”, dan “esport”. Klasifikasi dilakukan dengan metode K-Nearest Neighbour dan Naive Bayes Classification. Kedua metode klasifikasi tersebut menggunakan 2252 data latih dan 248 data uji. Diperoleh hasil bahwa metode Naive Bayes Classification lebih baik daripada K-Nearest Neighbour. Metode Naive Bayes Classification menghasilkan akurasi sebesar 95,161%, sedangkan metode K-Nearest Neighbour hanya menghasilkan akurasi sebesar 84,677% dengan jumlah tetangga terdekat yang optimal adalah K = 10. Agar dapat mudah diakses, sistem rekomendasi dibentuk berbasis web application menggunakan Shiny RStudio. Sistem rekomendasi tersebut dapat diakses melalui https://delaseran.shinyapps.io/Sistem-Rekomendasi-Berita-Olahraga-Online/. Sistem rekomendasi ini berbentuk seperti mesin pencarian, sehingga pengguna dapat mengetikkan kata kunci dari topik berita olahraga yang  ingin dibaca pada kolom pencarian, lalu sistem akan secara otomatis memunculkan judul berita terbaru sekaligus link dari hasil rekomendasi.