Analisis Klasifikasi Surat BPS Sragen Menggunakan TF-IDF dan Algoritma Multinomial Naïve Bayes pada E-Arsip
Keywords:
Naive Bayes, TF-IDF, Klasifikasi Surat, E-Arsip, Text MiningAbstract
Pengelolaan arsip surat pada Badan Pusat Statistik (BPS) Kabupaten Sragen masih dilakukan secara manual sehingga proses pengelompokan dan pencarian surat memerlukan waktu yang relatif lama serta berpotensi menimbulkan kesalahan klasifikasi. Penelitian ini bertujuan menerapkan metode Term Frequency-Inverse Document Frequency (TF-IDF) dan algoritma Multinomial Naive Bayes untuk melakukan klasifikasi otomatis jenis surat pada sistem e-arsip berbasis web. Tahapan penelitian meliputi pengumpulan dataset surat, preprocessing teks, pembobotan kata menggunakan TF-IDF, serta proses klasifikasi menggunakan Multinomial Naive Bayes. Sistem dikembangkan menggunakan bahasa pemrograman Python dengan framework Flask. Dataset yang digunakan terdiri atas tiga kategori surat, yaitu pengumuman, undangan, dan permohonan. Hasil pengujian menunjukkan bahwa sistem mampu mengklasifikasikan jenis surat secara otomatis dengan tingkat akurasi sebesar 85,71%. Hasil tersebut menunjukkan bahwa kombinasi metode TF-IDF dan algoritma Multinomial Naive Bayes cukup efektif dalam meningkatkan efisiensi pengelolaan arsip surat digital. Dengan demikian, sistem yang dikembangkan dapat membantu proses pengelompokan dan pencarian arsip surat secara lebih cepat, tepat, dan terstruktur pada BPS Kabupaten Sragen.
References
[1] Mujaki, A.F., 2026. Klasifikasi Jenis Surat pada Sistem E-Arsip Menggunakan Metode K-Nearest Neighbor. Jurnal Ilmiah Sistem Informasi, 5(1). https://doi.org/10.51903/336mw957.
[2] Junaidi, I.H., Sopingi and Sumarlinda, S., 2024. Sistem Retrieval E-Arsip Tirta Asata Menggunakan Algoritma Vector Space Model. Jurnal Fasilkom, 14(2), pp.361-369. https://doi.org/10.37859/jf.v14i2.7358.
[3] Gerung, F.R., Maramis, G.D.P. and Moningkey, E.R.S., 2025. Penerapan Algoritma Naive Bayes pada Arsip Surat Kantor Kecamatan Motoling Barat. REMIK: Riset dan E-Jurnal Manajemen Informatika Komputer, 9(2), pp.676-690. https://doi.org/10.33395/remik.v9i2.14786.
[4] Umar, N. and Nur, M.A., 2022. Application of Naïve Bayes Algorithm Variations on Indonesian General Analysis Dataset for Sentiment Analysis. Jurnal RESTI (Rekayasa Sistem dan Teknologi Informasi), 6(4), pp.585-590. https://doi.org/10.29207/resti.v6i4.4179.
[5] Manikome, H. and Maramis, G.D.P., 2025. Arsip Surat Masuk dan Keluar pada Kejaksaan Tinggi Sulawesi Utara dengan Algoritma K-Means Berbasis Web. Journal of Informatics, Business, Education and Innovation Technology, 3(3). https://jibeit.teknikinformatika.org/index.php/jibeit/article/view/218.
[6] Pattikawa, S.J. and Sundari, O., 2024. Penerapan Manajemen Arsip Elektronik dalam Optimalisasi Pengelolaan Arsip di PT Kreativitas Ganesha Sejahtera. Jurnal Economic, Business and Accounting, 7(5), pp.3682-3702. https://doi.org/10.31539/costing.v7i5.11862.
[7] Kurniawan, D.L., Immasari, I.R. and Sianipar, A.Z., 2022. Perancangan Sistem Informasi Pengarsipan Berbasis Website. Jurnal Manajemen Informatika Jayakarta, 2(1), p.77. https://doi.org/10.52362/jmijayakarta.v2i1.685.
[8] Faturrahman, F., 2025. Implementasi Text Mining dengan TF-IDF untuk Klasifikasi Jenis Perbaikan Kendaraan dan Evaluasi Akurasi Algoritma Machine Learning. Undergraduate thesis. Universitas Islam Indonesia. https://dspace.uii.ac.id/123456789/59697.
[9] Gadewar, S.A. and Pawar, P.H., 2024. Natural Language Processing and Deep Learning Approaches for Multiclass Document Classifier. International Journal of Scientific Research in Science, Engineering and Technology, pp.278-283. https://doi.org/10.32628/IJSRSET2411143.
[10] Aulia, D.W.A.P., 2025. Text Mining dari Jurnal Teknologi Pendidikan Menggunakan Term Frequency Matrix. Science Journal of Statistics and Probability Its Applications, 3(1), pp.15-28. https://doi.org/10.24127/sciencestatistics.v3i1.5989.
[11] Mi'raj Fattah, N.A.V. and Siswa, T.A.Y., 2026. Analisis Komparasi TF-IDF dan Word2Vec pada Algoritma SVM untuk Sentimen Pembangunan IKN di YouTube. BUFFER Informatika, 12(1). https://doi.org/10.25134/buffer.v12i1.551.
[12] Comparison and Analysis of the Accuracy of Multiple Machine Learning Algorithms in the Field of Spam Classification, 2023. https://doi.org/10.1117/12.2675259.
[13] Ionendri, N. A., Candra, F., & Rizal, A., "News Classification using Natural Language Processing with TF-IDF and Multinomial Naïve Bayes," Journal of Applied Computer Science and Technology, vol. 6, no. 1, pp. 37-45, 2025. https://doi.org/10.52158/jacost.v6i1.1099
[14] Indey, J.F. and Supangat, S., 2024. Implementasi Algoritma Naïve Bayes dalam Sistem Pengarsipan Surat Berbasis AI di GPI Papua Klasis Mimika Papua Tengah. Jurnal Ilmiah Informatika, 12(2), pp.102-113. https://doi.org/10.33884/jif.v12i02.9087.
[15] Yuyun, Y., 2023. Klasifikasi Surat Digital Menggunakan Algoritma Machine Learning. Jurnal IT, 13(2), pp.66-71. https://doi.org/10.37639/jti.v13i2.350.
