PEMANFAATAN TEKNIK SEMI-SUPERVISED LEARNING UNTUK KLASIFIKASI DOKUMEN MEDIS

Abstract

Penelitian ini bertujuan untuk menerapkan metode klasifikasi Naïve Bayes dan algoritma Pseudo Labeling dalam mengelompokkan dokumen medis yang sesuai dengan dokumen yang diinput sehingga menghasilkan kelompok-kelompok yang sesuai. Uji coba dilakukan dengan menggunakan sampel dokumen medis yang diambil dari sebuah media kesehatan elektronik berbasis web. Hasil eksperimen menunjukkan bahwa metode Naïve Bayes menggunakan teknik Semi-Supervised Learning dapat digunakan secara efektif untuk mengklasifikasikan dokumen medis. Hal ini terlihat dari hasil eksperimen, yaitu dengan porsi labeled documents dan unlabeled documents yaitu 400:300 mampu mengklasifikasi dokumen dengan tepat mencapai nilai rata-rata akurasi 83.20%. Selain itu, pada hasil eksperimen dengan porsi labeled documents dan unlabeled documents yaitu 300:400 mencapai nilai rata-rata akurasi 83.40%. Kemudian pada porsi 200:500 dan 100:600 dapat mengklasifikasi dokumen dengan tepat mencapai nilai rata-rata akurasi 81.00%. Hasil penelitian diatas menunjukan bahwa jumlah labeled documents dan unlabeled documents sangat menentukan performa untuk melakukan klasifikasi.