Pengembangan Sistem Pemantauan Sentimen Berita Berbahasa Indonesia Berdasarkan Konten dengan Long-Short-Term Memory
DOI:
https://doi.org/10.25126/jtiik.2021854624Abstrak
Kementerian Komunikasi dan Informatika (Kemkominfo) memiliki tugas salah satunya untuk mengawasi konten berita yang beredar di media digital. Dengan terus bertambahnya berita online di internet, Kemkominfo dihadapkan pada permasalahan pengklasifikasian sentimen berita yang masih dilakukan secara manual dengan membaca konten berita satu persatu lalu menangkap sentimen dari berita, yaitu sentimen positif, negatif, atau netral. Hal ini sangat melelahkan dan memakan waktu mengingat volume dan kecepatan pertumbuhan berita setiap harinya semakin masif. Untuk itu diperlukan pengembangan sistem pengklasifikasi sentimen berita daring secara otomatis untuk pemantauan berita berbahasa Indonesia. Sistem pengklasifikasi secara otomatis berbasis machine learning dilakukan dengan membangun model pembelajaran dari korpus berita yang berasal dari situs berita daring. Korpus data tersebut kemudian diproses menggunakan algoritma Long Short-Term Memory (LSTM). LSTM biasa digunakan untuk menangani kasus klasifikasi dalam berbagai bidang khususnya dengan input berupa teks sekuensial. Model LSTM diimplementasikan ke dalam aplikasi berbasis web untuk menentukan jenis dari sentimen berita. Berdasarkan hasil pengujian yang dilakukan, model LSTM yang dibuat memiliki tingkat akurasi sebesar 86%. Dengan demikian implementasi LSTM mampu menjadi suatu solusi untuk mengatasi masalah pengklasifikasian sentimen berita daring secara otomatis untuk pemantauan sentimen berita di Kemkominfo.
Asbtract
The Ministry of Communication and Informatics (Kemkominfo) has one duty to monitor news content circulating in digital media. With the increasing number of online news in the internet, Kemkominfo is facing the problem of classifying news sentiment which is still done manually by reading the contents of the news one by one, and then capturing the sentiment of the news; either positive, negative, or neutral. This is very exhausting and time consuming considering the volume and speed of growth of news every day is getting massive. This requires the development of an automatic online news sentiment classification system for monitoring Indonesian news. Machine learning-based automatic classification systems are carried out by building a learning model from a news corpus originating from news sites. The data is then processed using the Long Short Term Memory (LSTM) algorithm. LSTM is commonly used to handle classification in various fields especially in a sequential input. The LSTM model is implemented into a web-based application to determine the types of news sentiment. Based on the results of the tests carried out, the LSTM model created has an accuracy rate of 86%. Thus, the implementation of LSTM is potentially become a solution to overcome the problem of automatic online news sentiment classification for the news content monitoring system at the Ministry of Communication and Information.
Downloads
Referensi
AMIGOS-MAKER, 2019. DEV To: What is Flask. [Online] Tersedia: <https://dev.to/amigosmaker/what-is-flask-1d63> [Diakses 16 Juli 2020].
ASIYAH, S. N. & FITHRIASARI, K., (2016). Klasifikasi Berita Online Menggunakan Metode Support Vector Machine dan K- Nearest Neighbor. Jurnal Sains Dan Seni Its, 5(2), pp. 317-322.
BASNET, A. & TIMALSINA, A. K., (2018). Improving Nepali News Recommendation Using Classification Based on LSTM Recurrent Neural Networks. IEEE 3rd International Confrence on Computing, Communication, and Security (ICCCS), pp. 1-6.
BROWNLEE, J., (2017). A Gentle Introduction to Long Short-Term Memory Networks by the Experts. [Online]
Tersedia: [Diakses 16 Juni 2020].
DRIF, A., HAMIDA, Z. F. & GIORDANO, S., (2019). Fake News Detection Method Based on Text-Features. France, International Academy, Research, and Industry Association ( IARIA ), pp. 27-32.
Kementrian Komunikasi dan Informatika Tersedia: <https://www.kominfo.go.id> [Diakses 12 Juli 2020].
SOMMERVILE, I., (2011). Software Engineering (Rekayasa Perangkat Lunak). 6 penyunting. Jakarta: Erlangga.
SOUMA, W., VODENSKA, I., AOYAMA, H. (2019) . Enhanced news sentiment analysis using deep learning methods, Journal of Computational Social Science. Springer Singapore, 2(1), pp. 33–46. doi: 10.1007/s42001-019-00035-x.
WASEEM, M., (2019). How To Implement Classification In Machine Learning?. Tersedia: <https://www.edureka.co/blog/classificatio n-in-machine-learning/> [Diakses 18 Februari 2020].
WONGSO, R. ET AL., (2017). News Article Text Classification in Indonesian Language. 2nd International Conference on Computer Science and Computational Intelligence, ICCSCI, pp. 137-143.
ZHANG, L. & SONG, X., (2016). Theory, Methodology, Tools, and Applications for Modeling and Simulation of Complex Systems. 4 penyunt. Singapore: Springer + Business Media.
Unduhan
Diterbitkan
Terbitan
Bagian
Lisensi
Artikel ini berlisensi Creative Common Attribution-ShareAlike 4.0 International (CC BY-SA 4.0)
Penulis yang menerbitkan di jurnal ini menyetujui ketentuan berikut:
- Penulis menyimpan hak cipta dan memberikan jurnal hak penerbitan pertama naskah secara simultan dengan lisensi di bawah Creative Common Attribution-ShareAlike 4.0 International (CC BY-SA 4.0) yang mengizinkan orang lain untuk berbagi pekerjaan dengan sebuah pernyataan kepenulisan pekerjaan dan penerbitan awal di jurnal ini.
- Penulis bisa memasukkan ke dalam penyusunan kontraktual tambahan terpisah untuk distribusi non ekslusif versi kaya terbitan jurnal (contoh: mempostingnya ke repositori institusional atau menerbitkannya dalam sebuah buku), dengan pengakuan penerbitan awalnya di jurnal ini.
- Penulis diizinkan dan didorong untuk mem-posting karya mereka online (contoh: di repositori institusional atau di website mereka) sebelum dan selama proses penyerahan, karena dapat mengarahkan ke pertukaran produktif, seperti halnya sitiran yang lebih awal dan lebih hebat dari karya yang diterbitkan. (Lihat Efek Akses Terbuka).