IMPLEMENTASI FASTTEXT UNTUK KLASIFIKASI BERITA BAHASA INDONESIA DARI KOMPAS.COM

Pesatnya perkembangan teknologi dan internet telah mengakibatkan semakin banyaknya berita yang tersedia secara daring. Hal ini menimbulkan tantangan dalam mengelompokkan berita berdasarkan topiknya karena jumlahnya yang terus meningkat. Penelitian ini bertujuan untuk membangun sistem klasifikasi topik berita berbahasa Indonesia menggunakan pendekatan FastText pretrained dan mengimplementasikannya ke dalam aplikasi prediksi berbasis web. Data yang digunakan diperoleh dari 4.189 artikel berita yang telah melalui proses preprocessing, meliputi case folding, tokenisasi, penghapusan stopword, dan stemming menggunakan library Sastrawi. Model klasifikasi dibangun menggunakan arsitektur deep learning dengan pretrained FastText embedding berdimensi 300, GlobalAveragePooling1D, dan output layer beraktivasi softmax. Dataset dibagi menjadi 80% data latih (3.350 data) dan 20% data uji (838 data), dengan pelabelan manual ke dalam 13 kategori topik seperti Ekonomi, Politik, Kesehatan, dan Olahraga. Hasil evaluasi model menunjukkan akurasi sebesar 80,4%, dengan f1-score juga cukup tinggi pada beberapa kategori seperti Cuaca memperoleh f1-score tinggi (0.97), sedangkan kategori Sosial & Budaya dan Politik memiliki f1-score relatif rendah. Model ini diimplementasikan dalam aplikasi berbasis Streamlit untuk mempermudah prediksi topik terhadap berita baru secara interaktif.