Perbandingan Metode LSTM dan GRU (RNN) untuk Klasifikasi Berita Palsu Berbahasa Indonesia

Abstract

Berita telah menjadi konsumsi masyarakat setiap harinya, namun tidak semua berita yang beredar merupakan berita yang valid kebenarannya. Berita palsu dapat menggiring opini publik, dan berisiko terhadap keselamatan bangsa. Oleh karena itu diperlukan klasifikasi berita palsu untuk dapat meredamkan berita palsu yang beredar pada masyarakat. Penelitian sebelumnya telah dilakukan klasifikasi berita palsu menggunakan model <em>Recurrent Neural Network</em> (RNN) yaitu <em>Long Short-Term Memories</em> (LSTM), dengan nilai F1 sebesar 0,24 dan menyarankan untuk mencari parameter model sistem yang tepat agar dihasilkan kinerja model yang lebih baik. Maka pada penelitian ini dilakukan klasifikasi berita palsu berbahasa Indonesia dengan menggunakan perbandingan model <em>Recurrent Neural Network</em> yaitu LSTM dan <em>Gated Recurrent Unit</em> (GRU), serta mencari parameter terbaik untuk menghasilkan hasil kinerja klasifikasi paling optimal. Data yang digunakan merupakan berita mengenai kejadian yang terjadi di Indonesia dan berbahasa Indonesia. Didapatkan nilai parameter <em>epochs</em>: 15, fungsi <em>optimizer gradient descent</em> yaitu <em>rmsprop</em>, dan <em>batch_size</em>: 64 untuk mendapatkan kinerja optimal dalam klasifikasi berita palsu menggunakan metode LSTM. Nilai akurasi yang dihasilkan oleh model yaitu 73% untuk metode LSTM dan 64% dengan menggunakan metode GRU

Hoax Detection Using Long Short-Term Memory (LSTM) and Gate Recurrent Unit (GRU) on Social Media

“…Although GRU is computationally simpler than LSTM, it is very successful in dealing with Vanishing Gradient problems because each recurrent unit can be adapted to capture relationships over multiple time scales adiptively [17] .…”

Multivariate Time Series Forecasting pada Penjualan Barang Retail dengan Recurrent Neural Network

“…Hal ini sering terjadi pada data yang memiliki sequence yang besar sehingga RNN tidak dapat menangkap long term dependencies [19]. Permasalahan yang terdapat pada RNN ini dapat menyebabkan akurasi dari prediksi menggunakan RNN berkurang [20]. Arsitektur LSTM tertuang dalam gambar dibawah ini.…”

“…Arsitektur LSTM tertuang dalam gambar dibawah ini. GRU juga sebuah pengembangan dari RNN, konsep komputasinya lebih sederhana daripada LSTM namun masih bisa menangani masalah vanishing gradient [20].…”

“…Gambar 4. Arsitektur GRU GRU memiliki 2 gate, yaitu reset gate r dan update gate z. Reset gate adalah gate yang menentukan bagaimana cara menggabungkan input yang baru kedalam memori sebelumnya, dan Update gate menentukan banyaknya memori sebelumnya yang harus disimpan [20].…”

“…Kedua adalah Forget Gate yaitu gate yang memutuskan informasi apa yang akan dibuang. Dan terakhir adalah Output Gate yaitu gate yang memutuskan bagian mana saja yang akan dihasilkan.GRU juga sebuah pengembangan dari RNN, konsep komputasinya lebih sederhana daripada LSTM namun masih bisa menangani masalah vanishing gradient[20].…”