KLASIFIKASI MULTI-LABEL JURNAL SCOPUS MENGGUNAKAN METODE BIDIRECTIONAL LONG SHORT-TERM MEMORY (BILSTM)

Pertumbuhan jumlah jurnal ilmiah yang terindeks Scopus terus mengalami peningkatan signifikan, khususnya di bidang ilmu komputer. Kondisi ini menimbulkan tantangan dalam mengklasifikasikan fokus keilmuan jurnal secara otomatis dan efisien. Penelitian ini bertujuan untuk mengembangkan model klasifikasi multi-label jurnal Scopus berdasarkan teks Focus and Scope menggunakan metode Bidirectional Long Short-Term Memory (BiLSTM). Sebelum proses pelatihan model, dilakukan pelabelan awal secara otomatis menggunakan pendekatan rule-based dengan memanfaatkan kata kunci dari 11 kategori bidang ilmu komputer. Selanjutnya, data melalui tahapan preprocessing meliputi cleaning, case folding, tokenization, dan stopword removal. Fitur teks kemudian diekstraksi menggunakan model Word2Vec dengan pendekatan Skip-Gram, sebagai representasi numerik dari kata. Data dibagi menjadi data pelatihan dan pengujian dengan rasio 80:20, lalu dilatih menggunakan arsitektur BiLSTM. Evaluasi dilakukan menggunakan metrik Hamming Loss, Precision, Recall, dan F1-Score. Hasil analisis menunjukkan bahwa kombinasi parameter paling optimal adalah epochs 25 dan batch size 32, dengan nilai Precision 0,9459, Recall 0,9032, F1-Score 0,9241 dan Hamming Loss terendah 0,0377. Hal ini menunjukkan bahwa model mampu mengklasifikasikan jurnal secara akurat. Dengan pendekatan ini, proses identifikasi bidang keilmuan jurnal dapat dilakukan secara lebih cepat, sistematis, dan efisien.