ABSTRAK

Opinion mining atau sentimen analisis adalah cabang dari text mining dan merupakan topik yang marak dilakukan saat ini. Opinion mining merupakan proses memahami, mengekstrak, dan mengolah data tekstual secara otomatis untuk mendapatkan informasi sentimen yang terkandung dalam suatu kalimat. Salah satu metode yang bisa digunakan untuk menganalisa dokumen teks adalah klasifikasi. Penelitian ini bertujuan untuk mengklasifikasikan berita Bahasa Indonesia menggunakan Multinomial Naïve Bayes.
Untuk mendapatkan hasil yang optimal, penulis mencoba menambahkan fitur seleksi menggunakan Document Frequency Thresholding (DF-Thresholding) dan term weighting menggunakan  Term Frequency-Inverse Document Frequency (TF-IDF).
Dari hasil penelitian penulis klasifikasi menggunakan Multinomial Naïve Bayes mendapatkan akurasi tertinggi dengan rata-rata 90,57%, Multinomial Naïve Bayes dengan DF-Thresholding mempunyai akurasi 82,92%, serta menggunakan Multinomial Naïve Bayes dengan TF-IDF memperoleh akurasi 78,5%. Tujuan utama penggunaan seleksi fitur dalam penelitian ini untuk meningkatkan nilai akurasi, namun hasil dalam penelitian ini kurang berpengaruh dari segi akurasi. Penggunaan seleksi fitur bisa mengurangi penggunaan jumlah kompleksitas term.

Kata kunci: text mining, klasifikasi, multinomial naive bayes