Klasifikasi Multi Label Berita Media Massa Online Bahasa Indonesia Menggunakan BI-LSTM Dan Embedding Indobert

Berita media massa daring merupakan salah satu sumber utama informasi bagi masyarakat, sehingga diperlukan sistem yang mampu mengelompokkan berita secara otomatis untuk mendukung analisis topik yang sedang berkembang. Penelitian ini bertujuan mengembangkan model klasifikasi multi-label berita
berbahasa Indonesia menggunakan kombinasi Bidirectional Long Short-Term Memory (Bi-LSTM) dan representasi teks berbasis embedding IndoBERT. Dataset yang digunakan terdiri atas lima kategori, yaitu politik, hukum, pendidikan, olahraga, dan ekonomi. Representasi teks dilakukan menggunakan embedding
IndoBERT dengan variasi panjang token max length sebagai skenario pengujian. Hasil embedding kemudian digunakan sebagai masukan bagi model Bi-LSTM untuk melakukan klasifikasi multi-label dengan variasi nilai ambang probabilitas threshold. Kinerja model dievaluasi menggunakan metrik precision, recall, F1-score, dan Hamming Loss pada data judul dan isi berita. Hasil penelitian menunjukkan bahwa model Bi-LSTM dengan embedding IndoBERT mampu
memberikan kinerja yang baik dalam klasifikasi multi-label berita daring. Pada data judul berita, model memperoleh F1-score terbaik sebesar 0,7588 dan Hamming Loss terendah sebesar 0,1053. Sementara itu, pada data isi berita, model
mencapai F1-score terbaik sebesar 0,7677 dan Hamming Loss terendah sebesar 0,0947. Hasil tersebut menunjukkan bahwa penggunaan isi berita yang memiliki informasi kontekstual lebih panjang dapat meningkatkan kemampuan model dalam
mempelajari keterkaitan antar kata dan label. Selain itu, penerapan mekanisme early stopping mampu meningkatkan efisiensi proses pelatihan tanpa menurunkan performa model secara signifikan. Secara keseluruhan, kombinasi Bi-LSTM dan
embedding IndoBERT efektif digunakan untuk klasifikasi multi-label berita berbahasa Indonesia.
Kata kunci: Berita Daring, Bi-LSTM, Embedding, IndoBERT, Klasifikasi MultiLabel.