Klasifikasi Topik terhadap Judul Berita Kasus Covid-19 dengan Multilayer Perceptron

Faradhiba Salsabila; Afrida Helen; Susi Yuliawati

doi:10.33633/tc.v21i4.6617

Klasifikasi Topik terhadap Judul Berita Kasus Covid-19 dengan Multilayer Perceptron

Faradhiba Salsabila, Afrida Helen, Susi Yuliawati

Abstract

Peran media massa berpengaruh dalam meningkatkan kesadaran masyarakat terhadap penyebaran Covid-19. Berdasarkan laporan Reuters Institute Digital News Report 2022, media daring cenderung dikonsumsi oleh masyarakat Indonesia sebagai sumber berita dengan persentase 88%. Hal tersebut menunjukkan media daring merupakan tempat penyebaran informasi yang penting. Penelitian ini bertujuan untuk mengklasifikasikan topik yang ada dalam berita terkait kasus Covid-19 dalam media massa Kompas dengan menggunakan multilayer perceptron. Berdasarkan hasil penelitian, berita kasus Covid-19 dapat dikategorikan menjadi empat label, yaitu kebijakan pemerintah, pemberitahuan informasi, internasional, dan masyarakat umum. Tingkat akurasi yang didapat dari pemodelan dengan multilayer perceptron adalah 75%. Kemiripan pada kata-kata dalam data menyebabkan adanya kesalahan dalam membedakan antara satu topik dengan topik lainnya.

Keywords

Klasifikasi Topik, Covid-19, Multilayer Perceptron

Full Text:

PDF

References

B. A. Santosa, “Peran Media Massa dalam Mencegah Konflik,” J. ASPIKOM, vol. 3, no. 2, pp. 199–214, 2017, [Online]. Available: https://jurnalaspikom.org/index.php/aspikom/article/view/128.

N. Newman, R. Fletcher, C. T. Robertson, K. Eddy, and R. K. Nielsen, “Reuters Institute Digital News Report 2022,” Oxford, 2022. [Online]. Available: https://reutersinstitute.politics.ox.ac.uk/digital-news-report/2022.

J. Hirschberg and C. D. Manning, “Advances in Natural Language Processing,” Science (80-. )., vol. 349, no. 6245, pp. 261–266, 2015, [Online]. Available: https://www.science.org/doi/10.1126/science.aaa8685.

S. Defiyanti, “Integrasi Metode Clustering dan Klasifikasi untuk Data Numerik,” in Conference on Information Technology and Electrical Engineering, 2017, pp. 256–261, [Online]. Available: https://www.researchgate.net/publication/319165131_Integrasi_Metode_Clustering_dan_Klasifikasi_untuk_Data_Numerik.

Musyawir, Susiati, and A. Irmawati, “Strategi Pemilihan Judul Penelitian Kebahasaan bagi Pemula; Mahasiswa Program Studi Pedidikan Bahasa Indonesia dan Sastra Indonesia Universitas Iqra Buru,” J. Pengabdi. Mandiri, vol. 1, no. 3, pp. 517–524, 2022, [Online]. Available: https://bajangjournal.com/index.php/JPM/article/view/1817.

I. Gotama, S. Hariyanto, and H. Wijaya, “Klasifikasi Berita Hoaks Topik Covid-19 dengan Klasifikasi Rocchio dan Cosine Similarity,” J. Algor, vol. 2, no. 1, pp. 84–92, 2020, [Online]. Available: https://jurnal.ubd.ac.id/index.php/algor/article/view/455.

B. K. Palma, D. T. Murdiansyah, and W. Astuti, “Klasifikasi Teks Artikel Berita Hoaks Covid-19 dengan Menggunakan Algotrima K-nearest Neighbor,” eProceedings Eng., vol. 8, no. 5, pp. 10637–10649, 2021, [Online]. Available: https://openlibrarypublications.telkomuniversity.ac.id/index.php/engineering/article/view/15672.

F. Prasetya and Ferdiansyah, “Analisis Data Mining Klasifikasi Berita Hoax COVID 19 Menggunakan Algoritma Naive Bayes,” J. Sist. Komput. dan Inform., vol. 4, no. 1, pp. 132–139, 2022, [Online]. Available: http://dx.doi.org/10.30865/json.v4i1.4852.

G. Tika and Adiwijaya, “Klasifikasi Topik Berita Berbahasa Indonesia menggunakan Multilayer Perceptron,” e-Proceeding Eng., vol. 6, no. 1, pp. 2137–2143, 2019, [Online]. Available: https://openlibrarypublications.telkomuniversity.ac.id/index.php/engineering/article/view/8503.

Sudianto, A. D. Sripamuji, and I. R. Ramadhanti, “Penerapan Algoritma Support Vector Machine dan Multi-Layer Perceptron pada Klasifikasi Topik Berita,” J. Nas. Pendidik. Tek. Inform. JANAPATI, vol. 11, no. 2, 2022, [Online]. Available: https://ejournal.undiksha.ac.id/index.php/janapati/article/view/44151.

R. Siringoringo, “Klasifikasi Data Tidak Seimbang Menggunakan Algoritma Smote dan K-Nearest Neighbor,” J. Inf. Syst. Dev., vol. 3, no. 1, pp. 44–49, 2018, [Online]. Available: https://ejournal-medan.uph.edu/index.php/isd/article/view/177.

V. Chawla, K. W. Bowyer, L. O. Hall, and W. P. Kegelmeyer, “SMOTE: Synthetic Minority Over-Sampling Technique,” J. Artif. Intell. Res., vol. 16, pp. 321–357, 2002, [Online]. Available: https://arxiv.org/abs/1106.1813.

A. Setiadi, “Penerapan Algoritma Multilayer Perceptron untuk Deteksi Dini Penyakit Diabetes,” Paradigma, vol. 14, no. 1, pp. 46–59, 2012, [Online]. Available: https://ejournal.bsi.ac.id/ejurnal/index.php/paradigma/article/view/3378.

T. Beysolow II, Applied Natural Language Processing with Python. Berkeley: Apress, 2018.

DOI: https://doi.org/10.33633/tc.v21i4.6617