Klasifikasi Multi-Label pada Topik Berita Berbahasa Indonesia menggunakan Artificial Neural Network

Abstract

Abstrak Ketidaksesuaian antara judul dan topik yang ada pada suatu berita menjadi masalah tersendiri dalam mencari berita. Hal ini penting dilakukan untuk membantu pembuat berita dalam menentukan topik yang tepat pada berita yang dibuatnya. Pada penelitian ini topik berita berbahasa Indonesia akan diklasifikasikan ke dalam suatu multi-label menggunakan Artificial Neural Network (ANN) sehingga didapatkan klasifikasi label yang tepat berdasarkan topik beritanya. Data berupa teks akan dijadikan masukan dan dilakukan ekstraksi ciri menggunakan weighting TF-IDF untuk mendapatkan data berbentuk vektor. Berdasarkan hasil penelitian didapatkan kombinasi parameter maksimum epoch, learning rate, jumlah neuron, alpha yang paling optimal yaitu 400, 0.02, 20, 0.3 dengan loss sebesar 0.0021. Kata kunci : Topik berita, klasifikasi, multi-label, ANN. Abstract The mismatch between the headline and the topic on a news becomes a separate issue in searching for news. This is important to help newsmakers in determining the right topic on the news that has been made. In this research the topic of Indonesian language news will be classified into a multi-label using Artificial Neural Network (ANN) so as to get the right label classification based on the news topic. Text data will be input and feature extraction using weighting TF-IDF to get vector-shaped data. Based on the result of the research, the maximum combination of epoch parameters, learning rate, number of neurons, alpha at the most optimum are 400, 0.02, 20, 0.3 with loss 0.0021. Keywords: news topic, classification, multi-label, ANN.