SKRIPSI Jurusan Teknik Elektro - Fakultas Teknik UM, 2019

Ukuran Huruf:  Kecil  Sedang  Besar

Kinerja Metode Backpropagation Neural Network Untuk Klasifikasi Objektivitas Berita Online

Firdausi Nuzula

Abstrak


Berita online umumnya disajikan secara objektif. Namun, penulisan teks menunjukkan bahwa kata-kata yang membawa persepsi pembaca cenderung subyektif atau obyektif. Selain itu, Dewan Pers menyatakan bahwa objektivitas dan akurasi berita sebagai verifikasi untuk kelayakan media. Sehingga untuk mengatasi masalah ini diperlukan suatu aplikasi yang dapat mengklasifikasikan sesuai dengan isi berita. Penelitian ini bertujuan untuk menganalisis kinerja klasifikasi obyektifitas berita dari www.kompas.com menjadi kelas subjektif atau objektif.

Metode yang digunakan pada penelitian ini adalah Backpropagation Neural Network (BNN) dengan melatih jaringan syaraf tiruan (JST) multilayer (input, hidden, output) dalam pengklasifikasian. Namun, karena validasi data memberikan klasifikasi data yang tidak seimbang (imbalance class) sehingga diatasi dengan oversampling yaitu SMOTE. Synthetic Minority Oversampling Technique (SMOTE) adalah salah satu teknik oversampling yang mampu menyeimbangkan distribusi data kelas minoritas. Sebelum melakukan klasifikasi BNN, terdapat beberapa tahap preprocessing data dengan cara labeling, cleaning, case folding, tokenizing, filtering, windowing dan normalisasi data untuk menyesuaikan data sesuai kebutuhan metode BNN.

                Kinerja metode BNN diukur berdasarkan parameter hidden layer, learning rate, dan training cycles yang terbaik dengan mengklasifikasikan data asli dengan hasil SMOTE. Pengujian data sebanyak 10 kali pengujian memiliki nilai rata-rata akurasi keseluruhan sebesar 56,13% dan persentase ketepatan akurasi rata-rata sebesar 99,88%, sedangkan evaluasi menggunakan nilai MSE (Mean Square Error) dan Confusion Matrix. MSE digunakan sebagai parameter dalam pelatihan yang didapatkan dari rata-rata kuadrat error dibagi dengan jumlah data record. Sedangkan confusion matrix menghasilkan kinerja klasifikasi dengan akurasi sebesar 53,30%, precission sebesar 62,26%, recall sebesar 25,58% dengan nilai MSE 0,08 dengan metode BNN hasil pengujian lebih rendah dari pada saat training data. Berdasarkan hasil evaluasi tersebut menunjukkan bahwa kinerja metode BNN kurang optimal dikarenakan perbedaan penggunaan data, juga data seimbang hasil SMOTE tidak selalu dapat mengoptimasi performa klasifikasi.