KLASIFIKASI MULTILABEL BERBASIS RULE-BASED MENGGUNAKAN METODE LONG SHORT-TERM MEMORY (LSTM) PADA DATA JURNAL SCOPUS

Scopus merupakan salah satu database jurnal internasional berkualitas tinggi dari berbagai negara yang paling banyak digunakan oleh peneliti di seluruh dunia. Pada database Scopus pengguna dapat mencari informasi tentang termasuk focus and scope jurnal tersebut. Namun, tiap jurnal memiliki focus and scope yang panjang dan bervariasi sehingga dapat memakan banyak waktu jika dilakukan peninjauan secara manual oleh pembaca. Dalam penelitian ini, menerapkan klasifikasi multilabel untuk memberikan pemahaman tentang klasifikasikan jurnal dapat memiliki lebih dari satu label atau kategori. Penelitian ini menggunakan dataset berisi 1.936 jurnal pada bidang computer science yang diambil dari database Scopus pada Oktober 2024. Dataset ini tidak diperbarui secara otomatis ketika terdapat jurnal baru. Fitur utama yang diproses pada penelitian ini adalah focus and scope. Label yang digunakan terdiri dari 11 kategori bidang ilmu computer science, yaitu "Artificial Intelligence", "Computational Theory and Mathematics", "Computer Graphics and Computer-Aided Design", "Computer Networks and Communications", "Computer Science", "Computer Vision and Pattern Recognition", "Hardware and Architecture", "Human-Computer Interaction", "Information Systems", "Signal Processing", dan "Software". Proses klasifikasi multilabel ini melibatkan tahapan-tahapan meliputi pelabelan data menggunakan teknik rule-based, preporcessing data, ekstraksi fitur dengan pembobotan TF-IDF, dan metode LSTM. Evaluasi model menggunakan empat metrik termasuk micro-f1, hamming loss, precision, dan recall. Nilai hyperparameter terbaik diukur berdasarkan micro-f1 tertinggi dan hamming loss terendah. Pengujian hyperparameter tuning menunjukkan hasil terbaik pada kombinasi epoch 50, batch size 64, dan learning rate 0.01 memperoleh nilai hamming loss sebesar 0.0684, micro-f1 0.8471, precision 0.8851, dan recall 0.8122.