ATMS-P9-Klasifikasi Teks

Mengapa klasifikasi teks penting dalam analisis data teks?

• Karena klasifikasi teks tidak dapat dilakukan secara langsung terhadap data teks

• Karena klasifikasi teks tidak konsisten dibanding analisis secara manual

• Karena klasifikasi teks hanya dapat dilakukan secara manual oleh human annotator

• Karena klasifikasi teks dapat diterapkan pada data yang sedikit maupun banyak

Apa saja contoh penerapan klasifikasi teks?

• Analisis sentimen, deteksi topik, deteksi bahasa, deteksi email spam

• Analisis sentimen, deteksi topik, peringkasan teks, tagging berita otomatis

• Analisis sentimen, deteksi topik, deteksi email spam, deteksi berita hoax

• Analisis sentimen, deteksi bahasa, deteksi email spam, tagging berita otomatis

Contoh metode klasifikasi teks yang dapat digunakan dalam analisis teks:

• K-NN, Naive Bayes, TF-IDF

• Decision Tree, N-Gram, Naive Bayes

• Lexicon-based, SVM, WordEmbedding

• SVM, Naive Bayes, Decision Tree

Apa kelebihan dari algoritma Naïve Bayes Classifier (NBC)?

• Tidak memiliki konsistensi dalam hasil analisis

• Kinerja buruk untuk jumlah data terbatas maupun banyak

• Berdasarkan teorema Bayesian, sederhana, tanpa modeling

• Tidak dapat digunakan untuk analisis sentimen

Apa kekurangan dari algoritma Support Vector Machine (SVM)?

• Tidak memiliki generalisasi dalam mengklasifikasikan pattern

• Tidak dapat digunakan dalam problem berskala besar

• Dikembangkan untuk problem klasifikasi dengan dua class

• Tidak memiliki kemampuan untuk mengklasifikasikan data

Apa kelebihan dari algoritma K-Nearest Neighbor (KNN)?

• Tidak intuitif

• Tidak cocok untuk data numerik

• Tidak efektif jika data besar

• Tahan terhadap data latih yang noisy

Apa yang dimaksud dengan XGBOOST?

• Algoritma untuk klasifikasi gambar

• Metode pembelajaran untuk data numerik

• Algoritma untuk klasifikasi dan regresi

• Metode pembelajaran untuk data kategorikal