KLASIFIKASI TEKS BERITA BERBAHASA INDONESIA MENGGUNAKAN METODE LONG SHORT TERM MEMORY (LSTM)

Perkembangan teknologi informasi telah mempermudah akses terhadap
berbagai berita digital yang tersedia di internet. Namun, proses pengelompokan
berita ke dalam kategori tertentu seperti Health, Nasional, dan Sports masih
banyak dilakukan secara manual, sehingga kurang efisien dan rentan terhadap
kesalahan klasifikasi. Penelitian ini bertujuan untuk mengembangkan sistem
klasifikasi teks berita otomatis menggunakan metode Long Short-Term Memory
(LSTM) pada berita berbahasa Indonesia yang diambil dari portal Kompas.com.
Proses penelitian mencakup tahapan pengumpulan data, pra-pemrosesan
(preprocessing), ekstraksi fitur, serta pelatihan dan evaluasi model menggunakan
metrik akurasi, presisi, recall, dan F1-score. Sistem klasifikasi ini diharapkan
dapat meningkatkan kecepatan, akurasi, dan konsistensi dalam proses kategorisasi
berita secara otomatis. Hasil pengujian menunjukkan bahwa metode LSTM
mampu mengklasifikasikan kategori berita dengan sangat baik. Model terbaik
diperoleh pada Skenario Uji 10, dengan konfigurasi data latih sebesar 80%,
jumlah neuron pada hidden layer sebanyak 64, epoch sebanyak 50, dan batch size
sebesar 32. Model tersebut menghasilkan akurasi sebesar 96,90%, presisi 97,10%,
recall 96,86%, dan F1-score 96,91%, yang menandakan bahwa LSTM efektif
dalam memahami dan mengklasifikasikan berita berbahasa Indonesia secara
akurat.