IMPLEMENTASI RECURRENT NEURAL NETWORK PADA MULTICLASS TEXT CLASSIFICATION JUDUL BERITA

BRAMANTYO, BAGUS (2023) IMPLEMENTASI RECURRENT NEURAL NETWORK PADA MULTICLASS TEXT CLASSIFICATION JUDUL BERITA. Strata 1 thesis, Universitas Teknokrat Indonesia.

	Text (full teks) skripsi19312039.pdf - Published Version Restricted to Registered users only Download (3MB) | Request a copy
	Text (abstrak) abstrak19312039.pdf - Published Version Download (188kB)
	Text (BAB I Pendahuluan) b119312039.pdf - Published Version Download (313kB)
	Text (BAB II Tinjauan) b219312039.pdf - Published Version Download (851kB)
	Text (Daftar Pustaka) daftar_pustaka19312039.pdf - Bibliography Download (308kB)

Abstract

ABSTRAK IMPLEMENTASI RECURRENT NEURAL NETWORK PADA MULTICLASS TEXT CLASSIFICATION JUDUL BERITA Oleh Bagus Bramantyo 19312039 Saat ini informasi dapat diperoleh dengan cara yang relatif mudah dengan adanya teknologi internet, salah satunya yaitu dengan mengakses portal berita online. Portal berita online dapat mempermudah dalam memperoleh informasi karena bersifat on demand sehingga dapat menampilkan informasi yang diinginkan seperti peristiwa politik, ekonomi, kesehatan, hingga olahraga. Dengan penyebaran informasi dalam skala yang sangat besar terkadang kita merasa kesulitan dalam mencari berita yang sesuai dengan konten yang diinginkan, hal ini terjadi karena banyaknya konten berita yang harus dikategorikan oleh author secara manual sehingga dapat terjadi kesalahan yang mengakibatkan berita tercampur antara topik satu dengan topik yang lainnya. Penelitian ini dilakukan untuk mengetahui kinerja dari metode Deep Learning menggunakan Recurrent Neural Network (RNN) dalam melakukan tugas multiklasifikasi pada judul berita dengan topik Ekonomi, Kesehatan, Olahraga, dan Politik. Judul berita yang digunakan sebagai data latih dan data uji diperoleh dari portal berita menggunakan metode Web Scraping yang diambil dari bulan maret 2021 sampai dengan bulan maret 2023 yang berjumlah 3004 judul berita dengan perbandingan 80% digunakan sebagai data latih dan 20% sebagai data uji. Selanjutnya akan dilakukan proses Text Preprocessing yang bertujuan untuk mempersiapkan data sebelum proses pelatihan model. Tahapannya yaitu meliputi case folding, tokenization, dan stopwords removal. Selanjutnya akan dilakukan proses ekstraksi fitur menggunakan metode TF-IDF agar data latih dapat diinputkan kedalam model untuk dilakukan pelatihan. Hasil dari pengujian kinerja model menggunakan metode Confusion Matrix diperoleh nilai akurasi mencapai 97%, sehingga metode RNN dapat digunakan untuk tugas multiklasifikasi pada judul berita dengan cukup baik dan dapat diterapkan pada sistem pengklasifikasian judul berita. Kata kunci: Confusion Matrix, Deep Learning, Judul Berita, Multiklasifikasi, Recurrent Neural Network, Text Preprocessing, TF-IDF, Web Scraping

Item Type:	Thesis (Strata 1)
Uncontrolled Keywords:	Confusion Matrix, Deep Learning, Multiclassification, News Title, Recurrent Neural Network, Text Preprocessing, TF-IDF, Web Scraping
Subjects:	INFORMATIKA > Highway engineering. Roads and pavements
Divisions:	Fakultas Teknik dan Ilmu Komputer > S1 Informatika
Depositing User:	Asep Haikal Kurniawan S.IP., M.A
Date Deposited:	23 Oct 2023 03:25
Last Modified:	23 Oct 2023 03:25
URI:	http://repository.teknokrat.ac.id/id/eprint/5110

Actions (login required)

View Item