REDUKSI DIMENSI BERBASIS PERINGKASAN EKSTRAKTIF UNTUK KLASIFIKASI BERITA DENGAN MODEL RoBERTa

Dokumen berita berbahasa Indonesia umumnya memiliki panjang teks yang besar, redundansi informasi, dan struktur kalimat yang kompleks sehingga meningkatkan beban komputasi pada model klasifikasi berbasis Transformer. Penelitian ini bertujuan menganalisis pengaruh peringkasan ekstraktif TextRank terhadap kualitas ringkasan, performa klasifikasi, dan efisiensi komputasi pada klasifikasi berita berbahasa Indonesia menggunakan IndoRoBERTa. Peringkasan menggunakan TextRank dengan rasio 30%, 40%, dan 50% dari teks asli, baik tanpa maupun dengan preprocessing. Kualitas ringkasan dievaluasi menggunakan ROUGE-1, ROUGE-2, dan ROUGE-L dengan pseudo-reference yang dihasilkan oleh QuillBot Premium. Performa klasifikasi diukur menggunakan accuracy, precision, recall, dan F1-score, sedangkan efisiensi komputasi dianalisis berdasarkan waktu inferensi. Hasil penelitian menunjukkan bahwa kombinasi preprocessing dan TextRank menghasilkan kualitas ringkasan terbaik pada rasio 40%, dengan ROUGE-1 sebesar 0,5134, ROUGE-2 sebesar 0,2919, dan ROUGE-L sebesar 0,3209. Pada klasifikasi, teks asli (baseline) menghasilkan accuracy 96,45% dan F1-score tertinggi 96,44%. Sementara itu, skenario peringkasan terbaik diperoleh pada preprocessing TextRank 50% dengan accuracy 94,98% dan F1-score 94,99%, atau mengalami penurunan accuracy sebesar 1,47% dibandingkan baseline. Dari sisi efisiensi, TextRank mampu menurunkan waktu inferensi dari 26,14 detik menjadi 22,88 detik atau lebih cepat 12,47%. Hasil ini menunjukkan bahwa TextRank efektif sebagai metode reduksi dimensi untuk meningkatkan efisiensi komputasi dengan penurunan performa klasifikasi yang relatif kecil.