OPTIMASI PROSES KLASIFIKASI TOPIK BERITA BERBAHASA INDONESIA MENGGUNAKAN MODEL NLP BERBASIS ONNX RUNTIME

Abstract

Perkembangan berita digital yang pesat memunculkan tantangan baru dalam klasifikasi topik berita secara akurat, terutama ketika satu artikel dapat memiliki lebih dari satu kategori (multi-label). Proses klasifikasi manual terbukti tidak efisien dan rawan kesalahan. Penelitian ini mengusulkan sistem klasifikasi multi-label berita berbasis Term Frequency–Inverse Document Frequency (TF-IDF) dan Logistic Regression yang dioptimalkan menggunakan ONNX Runtime untuk meningkatkan kecepatan inferensi. Dataset penelitian terdiri dari 10.058 artikel berita dari Kompas.com yang telah melalui tahap pra-pemrosesan dan pelabelan multi-label. Model dievaluasi menggunakan metrik F1-score mikro dan makro, serta perbandingan waktu inferensi antara model Scikit-learn (.pkl) dan model yang telah dioptimasi ONNX Runtime (.onnx). Hasil menunjukkan bahwa model ONNX mempertahankan akurasi yang sama (F1-mikro = 0,648; F1-makro = 0,402) dengan pengurangan waktu inferensi dari 0,88 detik menjadi 0,44 detik. Hal ini membuktikan bahwa ONNX Runtime dapat secara efektif meningkatkan efisiensi model NLP ringan untuk implementasi skala besar.