KLASIFIKASI TEKS BERITA BREAKING NEWS DI MANGGARAI MENGGUNAKAN LONG SHORT TERM MEMORY (LSTM)

Abstract

Berita sering kali menyebar dari berbagai sumber, termasuk media sosial dan situs web. Metode LSTM (Long Short Term Memory) yang lebih baik dalam mengolah data temporal dan sekuensial dapat mempercepat pengambilan keputusan terhadap berita terkini di Manggarai. Tujuan dari penelitian ini adalah untuk mengembangkan sistem klasifikasi teks berita terkini menggunakan LSTM dan membuat model yang dapat mengklasifikasikan berita dengan akurasi tinggi ke dalam empat kategori: ekonomi, kecelakaan, politik dan pariwisata. Penelitian ini menggunakan 4000 dataset yang masing-masing kategori terdiri dari 1000 unit data. Data tersebut dibagi menjadi beberapa variasi rasio data latih dan uji: 3600:400, 3200:800, 2400:1600 dan 1600:2400. Model LSTM menunjukkan performa terbaik dengan rasio 3600:400, presisi 88,75%, presisi 88,79%, recall 88,75%, dan skor F1 88,76%. Akurasi menunjukkan persentase prediksi yang benar, precision mengukur ketepatan prediksi positif, recall menghitung seberapa baik model menangkap semua contoh positif, dan F1-score merupakan rata-rata harmonis dari precision dan recall. Hasil tersebut menunjukkan bahwa model LSTM dapat mengklasifikasikan teks berita secara efisien dan akurat. Penelitian ini memvalidasi penerapan LSTM dalam klasifikasi teks berita untuk memberikan informasi penting dan cepat kepada masyarakat Manggarai