Klasifikasi Berita Bahasa Indonesia dengan Recurrent Neural Network (RNN)

Penelitian ini bertujuan untuk mengembangkan model klasifikasi dokumen berita berbahasa Indonesia menggunakan Recurrent Neural Network (RNN). Dengan kemajuan teknologi informasi dalam satu dekade terakhir, media online telah menjadi sumber informasi utama bagi masyarakat, yang mengakibatkan perlunya mekanisme yang efisien untuk mengelola dan mengklasifikasikan konten berita yang terus bertambah setiap hari. Teknologi pembelajaran mesin, khususnya RNN, menjadi sangat penting dalam mengklasifikasikan dokumen berita berbahasa Indonesia karena kemampuannya dalam mempelajari ketergantungan waktu pada data sekuensial. Penelitian ini bertujuan untuk meningkatkan akurasi RNN dengan RNN dan juga melalui augmentasi data. Penelitian ini melibatkan beberapa tahapan utama, yaitu pengumpulan data melalui teknik scraping dari portal berita Kompas.com, preprocessing teks yang mencakup pembersihan, penyaringan, stemming, dan tokenisasi, augmentasi data menggunakan Back Translation, serta pelatihan model RNN. Augmentasi data dilakukan untuk mengatasi ketidakseimbangan kelas dalam dataset dan meningkatkan akurasi model. Hasil penelitian menunjukkan bahwa model RNN yang dilatih dengan augmentasi data menghasilkan peningkatan kinerja yang signifikan dibandingkan dengan metode konvensional seperti Naïve Bayes Classifier. Model RNN tanpa augmentasi mencapai akurasi 92%, sementara model RNN dengan augmentasi data mencapai akurasi 96%. Peningkatan ini juga terlihat pada metrik evaluasi lainnya seperti precision, recall, dan F1-Score