Penerapan Text Mining untuk Klasifikasi Berita Online

Abstrak

Pesatnya perkembangan portal berita daring di Indonesia — termasuk Kompas.com, Detik.com, dan CNN Indonesia — menghasilkan ratusan artikel yang dipublikasikan setiap hari dalam berbagai kategori topik, sehingga menimbulkan tantangan berupa kelebihan informasi (information overload). Pengelompokan berita secara manual sudah tidak lagi efisien untuk skala besar dan rentan terhadap inkonsistensi manusia. Text mining, sebagai cabang data mining yang berfokus pada data teks tidak terstruktur, telah menunjukkan potensi besar dalam mengotomatisasi klasifikasi dokumen. Studi-studi sebelumnya yang menggunakan Naïve Bayes, Support Vector Machine (SVM), serta pembobotan Term Frequency–Inverse Document Frequency (TF-IDF) pada korpus berita berbahasa Indonesia melaporkan tingkat akurasi antara 82%–95%. Namun, evaluasi komparatif yang sistematis terhadap pipeline praproses pada dataset berita Indonesia yang seimbang dan multi-kategori masih belum banyak dieksplorasi dalam literatur.Penelitian ini bertujuan untuk mengembangkan dan mengevaluasi sistem klasifikasi otomatis berbasis text mining pada artikel berita daring berbahasa Indonesia dalam lima kategori topik: politik, ekonomi, olahraga, teknologi, dan hiburan.Penelitian ini menggunakan pendekatan kuantitatif. Dataset sebanyak 1.500 artikel berita (300 per kategori) dikumpulkan melalui web scraping otomatis menggunakan Python dan BeautifulSoup dari tiga portal berita daring utama di Indonesia. Tahapan praproses teks meliputi empat langkah berurutan: case folding, tokenisasi, penghapusan stopword menggunakan daftar stopword Bahasa Indonesia yang telah dikurasi, serta stemming menggunakan library Sastrawi. Ekstraksi fitur dilakukan dengan metode pembobotan TF-IDF. Tiga algoritma klasifikasi terawasi digunakan dan dibandingkan, yaitu Naïve Bayes (NB), Support Vector Machine (SVM dengan kernel linear), dan K-Nearest Neighbor (K-NN, k=5). Pembagian data dilakukan menggunakan stratified split 80:20 antara data latih dan data uji. Kinerja model dievaluasi menggunakan metrik akurasi, precision, recall, dan F1-score berdasarkan confusion matrix.SVM menghasilkan akurasi klasifikasi tertinggi sebesar 91,67%, dengan precision 91,3%, recall 91,7%, dan F1-score 91,4%. Naïve Bayes berada di posisi berikutnya dengan akurasi 85,33% (F1-score: 84,9%), sedangkan K-NN menghasilkan 78,67% (F1-score: 78,1%). Analisis per kategori menunjukkan bahwa kategori politik dan olahraga menghasilkan F1-score tertinggi, masing-masing sebesar 94,2% dan 93,8%, sedangkan kategori teknologi memiliki F1-score terendah yaitu 86,1% akibat adanya tumpang tindih semantik dengan kategori ekonomi. Penggunaan stemming Sastrawi meningkatkan akurasi keseluruhan sebesar 4,2 poin persentase dibandingkan baseline tanpa stemming pada ketiga algoritma.Text mining yang dikombinasikan dengan ekstraksi fitur TF-IDF dan klasifikasi SVM terbukti efektif dalam mengotomatisasi pengelompokan berita online berbahasa Indonesia, dengan akurasi melebihi 91% pada lima kategori topik. Stemming berbasis Sastrawi terbukti sebagai langkah praproses yang krusial dalam meningkatkan performa klasifikasi pada teks Bahasa Indonesia. Namun, ambiguitas semantik antara kategori yang saling berdekatan (teknologi dan ekonomi) masih menjadi keterbatasan pada pendekatan bag-of-words. Penelitian selanjutnya disarankan untuk mengeksplorasi model bahasa berbasis transformer seperti IndoBERT dan representasi kata kontekstual untuk mengatasi tumpang tindih semantik, serta integrasi pemrosesan aliran berita secara real-time dan klasifikasi multi-label guna merepresentasikan kompleksitas konten berita daring modern.