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

Aini Hanifa(1*), Sugih Ahmad Fauzan(2), Muhammad Hikal(3), Muhammad Bahrul Ashfiya(4)

(1) Jurusan Informatika, Fakultas Teknik, Universitas Jenderal Soedirman
(2) Jurusan Informatika, Fakultas Teknik, Universitas Jenderal Soedirman
(3) Jurusan Informatika, Fakultas Teknik, Universitas Jenderal Soedirman
(4) Jurusan Informatika, Fakultas Teknik, Universitas Jenderal Soedirman
(*) Corresponding Author

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 Recurrent Neural Network (RNN) yaitu Long Short-Term Memories (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 Recurrent Neural Network yaitu LSTM dan Gated Recurrent Unit (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 epochs: 15, fungsi optimizer gradient descent yaitu rmsprop, dan batch_size: 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

Full Text:

PDF

References

Pratiwi IYR, Asmara RA, Rahutomo F. Study of Hoax News Detection Using Naive Bayes Classifier in Indoesian Language. International Conference on Information & Communication Technology and System (ICTS). 2017;73-78.

Al-ash HS, Putri MF, Mursanto P, Bustamam A. Ensemble Learning Approach on Indonesian Fake News Classification. 3rd International Conference on Informatics and Computational Sciences (ICICoS). 2019;2-7.

Prasetijo AB, Isnanto RR, Eridani D, Alvin Y, Soetrisno A, Arfan M. Hoax Detection System on Indonesian News Sites Based on Text Classification using SVM and SGD. 4th International Conference on Information Technology, Computer, and Electrical Engineering (ICITACEE). 2017;45-49.

Rusli A, ChristianYoung J, Iswari NMS. Identifying Fake News in Indonesian via Supervised Binary Text Classification. IEEE International Conference on Industry 4.0, Artificial Intelligence, and Communications Technology (IAICT). 2020;86-90.

Trisna T, Putri A, Sitepu IY, Sihombing M, Indonesia UP, Petisah M. Analysis and Detection of Hoax Contents in Indonesian News Based on Machine Learning. Journal of Informatic Pelita Nusantara. 2019;4(1): 19-26.

Apriliyanto A, Kusumaningrum R. Hoax Detection in Indonesia Language using Long Short-Term Memory Model. Sinergi. 2020;24(3):189-96.

Bahad P, Saxena P, Kamal R. Fake News Detection using Bi-directional LSTM-Recurrent Neural Network. Procedia Computer Science. 2019;165:74-82.

Suyanto S. Synonyms-Based Augmentation to Improve Fake News Detection using Bidirectional LSTM. 8th International Conference on Information and Communication Technology (ICoICT). 2020;8-12.

Aditya Yanuar R. Recurrent Neural Network (RNN). Universitas Gadjah Mada [Internet]. 9 Desember 2018; Tersedia pada: https://machinelearning.mipa.ugm.ac.id.

Miranda ND, Novamizanti L, Rizal S. Convolutional Neural Network Pada Klasifikasi Sidik Jari Menggunakan Resnet-50. Jurnal Teknik Informatika (Jutif). 2020; 1(2): 61-68.

Hanifa A, Akbar S. Detection of unstable approaches in flight track with recurrent neural network. International Conference on Information and Communications Technology (ICoIACT). 2018;735-740.

Saxena A, Sukumar TR, Nadu T, Nadu T. Predicting bitcoin price using LSTM and Compare its predictability with Arima model. International Journal of Pure and Applied Mathematics. 2018;119(17):2591-2600.

Ribeiro AH, Schön TB. Beyond exploding and vanishing gradients : analysing RNN training using attractors and smoothness. International Conference on Artificial Intelligence and Statistics. 2020;2370-2380.

Chung H, Shin K. Genetic Algorithm-Optimized Long Short-Term Memory Network for Stock Market Prediction. Sustainability. 2018;10(10):3765.

Chung J, Gulcehre C, Cho K, Bengio Y. Empirical Evaluation of Gated Recurrent Neural Networks on Sequence Modeling. arXiv preprint. arXiv:1412.3555. 2014

DOI: http://dx.doi.org/10.20884/1.dr.2021.17.1.436

Refbacks

  • There are currently no refbacks.