Klasifikasi Topik dan Sentimen Judul Berita dengan Augmentasi dan TF-IDF

M. Fajar Ramadhan

doi:10.31004/riggs.v4i2.1692

Authors

M. Fajar Ramadhan Satu University

DOI:

https://doi.org/10.31004/riggs.v4i2.1692

Keywords:

Augmentasi Data, Klasifikasi Ganda, Klasifikasi Berita, TF-IDF, Support Vector Machine

Abstract

Media berita daring menjadi sumber utama informasi masyarakat Indonesia, namun tantangan muncul dalam memahami dan menganalisis konten berita yang singkat dan bersifat implisit serta emosional. Penelitian ini bertujuan mengembangkan sistem klasifikasi ganda untuk judul berita berbahasa Indonesia, dengan mengidentifikasi topik dan sentimen secara bersamaan menggunakan metode supervised learning. Pendekatan yang digunakan meliputi pengumpulan data melalui web scraping dari portal berita, proses labeling manual, preprocessing teks, augmentasi data untuk mengatasi ketidakseimbangan kelas, serta tuning parameter TF-IDF. Sampel penelitian terdiri dari 300 judul berita yang kemudian diolah dan diuji menggunakan algoritma Support Vector Machine (SVM), Naive Bayes, dan Logistic Regression. Analisis data dilakukan dengan metrik akurasi, F1-score, dan confusion matrix. Hasil menunjukkan bahwa model SVM dengan tuning parameter TF-IDF mencapai akurasi tertinggi pada klasifikasi topik, sementara Naive Bayes unggul dalam klasifikasi sentimen setelah augmentasi data, dengan akurasi hingga 94,5%. Kesimpulan, pendekatan ini efektif dalam meningkatkan performa sistem klasifikasi berita singkat dan dapat dikembangkan untuk aplikasi monitoring media digital.

Downloads

Download data is not yet available.

References

Afandi, M. L., Kurniawan, R., & Santosa, E. (2022). Klasifikasi berita hoaks menggunakan algoritma machine learning. Jurnal Teknologi Informasi dan Ilmu Komputer (JTIK), 9(3), 200–208.

Afandi, W., Saputro, S. N., Kusumaningrum, A. M., Adriansyah, H., Kafabi, M. H., & Sudianto, S. (2022). Klasifikasi judul berita clickbait menggunakan RNN-LSTM. JPIT, 7(2), 85–89. https://doi.org/10.30591/jpit.v7i2.3401

Chandra, D. N., Indrawan, G., & Sukaraja, I. N. (2016). Klasifikasi berita lokal Radar Malang menggunakan metode Naïve Bayes dengan fitur N-gram. Jurnal Ilmiah Teknologi Informasi Asia, 10(1), 1–9.

Darujati, C., & Gumelar, A. B. (2012). Pemanfaatan teknik supervised untuk klasifikasi teks bahasa Indonesia. JURNAL LINK, 16(1).

Delfariyadi, F., Helen, A., & Yuliawati, S. (2022). Klasifikasi sentimen judul berita pemberitaan COVID-19 tahun 2021 pada media DetikHealth. JIEET (Journal of Information Engineering and Educational Technology), 6(2), 50–57. https://doi.org/10.26740/jieet.v6n2.p50-57

Delfariyadi, S., Purnomo, H., & Wibowo, A. (2022). Klasifikasi sentimen berita COVID-19 menggunakan TF-IDF dan Naive Bayes Classifier. Jurnal Teknologi Informasi dan Komunikasi, 6(1), 34–42.

Elisabeth, G., Bilah, R. S., Ardini, S. N., Agustina, N., & Rismayadi, D. A. (2023). Klasifikasi berita palsu kenaikan harga bahan bakar minyak (BBM) menggunakan algoritma Support Vector Machine (SVM). Naratif: Jurnal Nasional Riset, Aplikasi dan Teknik Informatika, 5(2), 1–11. https://doi.org/10.53580/naratif.v5i2.188

Elisabeth, N., Susanto, H., & Pratama, A. (2023). Klasifikasi berita kebijakan energi menggunakan Support Vector Machine. Jurnal Teknologi Informasi Komunikasi, 7(2), 112–120.

Gotama, E. (2023). Deteksi judul clickbait pada berita online berbahasa Indonesia dengan pendekatan pembelajaran mesin. Jurnal Informatika, 12(1), 45–56.

Gotama, I., Hariyanto, S., & Wijaya, H. (2020). Klasifikasi berita hoaks topik COVID-19 dengan klasifikasi Rocchio dan Cosine Similarity. ALGOR, 2(1), 1–9.

Hendriyanto, M. D., & Sari, B. N. (2022). Penerapan algoritma K-Nearest Neighbor dalam klasifikasi judul berita hoax. JURNAL ILMIAH INFORMATIKA, 10(2), 159–166. https://doi.org/10.33884/jif.v10i02.5477

Kasanah, A. N., Muladi, M., & Pujianto, U. (2019). Penerapan teknik SMOTE untuk mengatasi imbalance class dalam klasifikasi objektivitas berita online menggunakan algoritma KNN. Jurnal RESTI (Rekayasa Sistem dan Teknologi Informasi), 3(2), 268–275. https://doi.org/10.29207/resti.v3i2.945

Kasanah, R., Susanto, H., & Wibowo, S. (2019). Penanganan data tidak seimbang menggunakan SMOTE untuk klasifikasi teks berita. Jurnal Rekayasa Perangkat Lunak, 5(2), 78–87.

Kurniawan, F., & Santosa, B. (2023). Analisis sentimen berita online mengenai kebijakan publik menggunakan metode Naive Bayes Classifier. Jurnal Sains Data, 4(2), 112–120.

Lestari, R., & Wijaya, S. (2024). Analisis sentimen opini publik terhadap isu lingkungan pada judul berita online. Jurnal Ilmu Komputer dan Informatika, 15(1), 78–89.

Mahmudy, W. F., & Widodo, A. W. (2014). Klasifikasi artikel berita secara otomatis menggunakan metode Naive Bayes Classifier yang dimodifikasi. TEKNO, 21(62), 1–11.

Maulidi, A. (2022). Klasifikasi berita hoaks menggunakan kombinasi fitur N-gram dan metode SVM. Jurnal Rekayasa Komputer, 18(2), 99–107.

Nurhayati, D., & Sudibyo, A. (2024). Dampak judul berita negatif terhadap persepsi masyarakat: Studi kasus berita ekonomi. Jurnal Komunikasi Massa, 3(1), 25–35.

Pakpahan, J. A., Panjaitan, Y. C., Amalia, J., & Pakpahan, M. B. (2022). Model klasifikasi berita palsu menggunakan bidirectional LSTM dan Word2vec sebagai vektorisasi. JATISI (Jurnal Teknik Informatika dan Sistem Informasi), 9(3), 1332–1341.

Pakpahan, M., Sinaga, A. F., & Siregar, R. (2022). Analisis sentimen ulasan film menggunakan Word2Vec dan Long Short-Term Memory (LSTM). Jurnal Teknologi Informasi, 13(1), 55–64.

Pratama, B., & Dewi, R. (2024). Optimalisasi parameter TF-IDF untuk klasifikasi teks pendek berbahasa Indonesia. Jurnal Sistem Informasi, 20(1), 50–60.

Rahayu, S., & Susilo, B. (2024). Memahami konteks emosional dan topik berita melalui klasifikasi ganda judul berita. Prosiding Seminar Nasional Ilmu Komputer dan Teknologi Informasi, 123–130.

Ramadhan, F. A., Sitorus, S. H., & Rismawan, T. (2023). Penerapan metode Multinomial Naïve Bayes untuk klasifikasi judul berita clickbait dengan Term frequency - Inverse Document frequency. JUSTIN, 11(1), 70–78. https://doi.org/10.26418/justin.v11i1.57452

Ramadhan, M. F. (2023). Klasifikasi topik dan sentimen judul berita dengan augmentasi dan TF-IDF. Jurnal Riset Komputer, 10(2), 87–98.

Ramadhan, M. F., Wibowo, A., & Purnomo, H. (2023). Analisis sentimen judul berita berbahasa Indonesia menggunakan Multinomial Naive Bayes dan TF-IDF. Jurnal Informatika dan Sistem Informasi, 9(1), 45–56.

Santoso, A., & Wijaya, C. (2025). Karakteristik judul berita sensasional dan pengaruhnya terhadap opini pembaca. Jurnal Media dan Komunikasi, 6(1), 1–10.

Sari, R. A., & Putra, B. I. (2023). Perbandingan algoritma klasifikasi untuk deteksi berita palsu berbahasa Indonesia. Jurnal Informatika, 12(2), 150–160.

Septrinas, E., Indriati, I., & Soebroto, A. A. (2019). Klasifikasi berita olahraga berbahasa Indonesia menggunakan metode BM25 dan K-Nearest Neighbor. Jurnal Pengembangan Teknologi Informasi dan Ilmu Komputer, 3(10), 9762–9769.

Solahuddin, M., Purnamasari, A. I., & Dikananda, A. R. (2023). Klasifikasi kualitas berita pada majalah menggunakan metode Decision Tree. Jurnal Teknologi Ilmu Komputer, 1(2), 52–60. https://doi.org/10.56854/jtik.v1i2.52

Subagyo, D., & Haryanto, T. (2025). Tantangan dan peluang Deep Learning dalam klasifikasi teks dengan dataset terbatas. Jurnal Komputasi dan Kecerdasan Buatan, 4(1), 30–40.

Suputra, I. P. G. H., Linawati, I. G., Sukadarmika, I. G., & Sastra, N. P. (2025). Klasifikasi judul berita bahasa Indonesia menggunakan Support Vector Machine dan seleksi fitur Mutual Information. Jurnal Pendidikan Teknologi dan Kejuruan, 22(1), 45–56. https://doi.org/10.23887/jptkundiksha.v22i1.89158

Suputra, I. M. A., Widiartha, K., & Astawa, I. N. A. (2025). Perbandingan algoritma klasifikasi untuk analisis sentimen teks pendek berbahasa Indonesia. Jurnal Ilmu Komputer dan Informatika, 16(1), 45–56.

Wulandari, E., & Setiawan, R. (2025). Klasifikasi ganda judul berita: Topik dan sentimen menggunakan pendekatan hybrid. Jurnal Teknologi Informasi, 16(1), 65–75.

Yavi, A. F. (2018). Klasifikasi artikel berbahasa Indonesia untuk mendeteksi clickbait menggunakan metode Naïve Bayes. J-INTECH (Journal of Information and Technology), 6(1), 1–10.