Model Klasifikasi Berita Palsu Menggunakan Bidirectional LSTM dan Word2vec sebagai Vektorisasi

Abstract

Secara umum, klasifikasi didefinisikan sebagai metode pembelajaran yang mengklasifikasikan data ke dalam label kelas. Proses klasifikasi tersebut dapat dilakukan pada data structured dan unstructured berdasarkan training data yang telah dilakukan. Penelitian ini melakukan klasifikasi menggunakan data berita yang memiliki label berita fakta dan berita palsu. Proses klasifikasi berita tersebut menggunakan teknik Bidirectional LSTM dan menggunakan arsitektur CBOW pada Word2vec sebagai vektorisasi kata dalam membangun model klasifikasi berita. Ada tiga parameter utama yang digunakan dalam penelitian tugas akhir yaitu embedding size, windows size, dan units bilstm. Optimasi kinerja model akan dilihat dari pengaruh dari ketiga parameter tersebut. Performa model yang dibangun diukur dengan menggunakan metrik evaluasi accuracy, recall, precision, f1- score dan computational time. Hasil penelitian menunjukan bahwa model dengan windows size 3, embedding size 200, dan units 128 memiliki performa terbaik untuk data judul dengan akurasi 79.18%. Sementara untuk data konten model dengan windows size 5, embedding size 300, dan units 256 memiliki performa terbaik dengan akurasi 92.8%.

Implementasi Metode LSTM Untuk Mengklasifikasi Berita Palsu Pada PolitiFact

“…Pembersihan data juga dapat membantu memperbaiki inkonsistensi data dan melengkapi data yang tidak lengkap. Proses ini dapat membantu meningkatkan akurasi dan efisiensi model klasifikasi yang digunakan [12][13][14].…”