Klasifikasi Berita Indonesia terhadap Genosida Palestina Menggunakan Latent Dirichlet Allocation dan Deep Learning

Abstract

Klasifikasi media dalam pemberitaan konflik Palestina-Israel oleh media Indonesia memiliki peran penting dalam membentuk persepsi publik dan menyaring bias informasi. Penelitian ini bertujuan untuk mengklasifikasikan berita terkait genosida Palestina secara otomatis dengan pendekatan Natural Language Processing (NLP). Dataset yang digunakan berupa judul berita dari enam media online Indonesia, yaitu Kompas, Tempo, Detik, Republika, CNN Indonesia, dan CNBC Indonesia. Pemodelan topik menggunakan Latent Dirichlet Allocation (LDA) diterapkan sebagai langkah awal untuk mendefinisikan kategori berita secara heuristik. Hasil pemodelan ini kemudian digunakan untuk melabeli data, yang selanjutnya diklasifikasikan menggunakan model deep learning LSTM, Bi-LSTM, GRU, Bi-GRU, dan IndoBERT. Hasil penelitian menunjukkan dari enam label hasil LDA, dikembangkan delapan kategori untuk klasifikasi. Evaluasi menunjukkan bahwa IndoBERT memiliki kinerja terbaik pada dataset berlabel manual dengan akurasi rata-rata sebesar 80,87% dengan stratified 5-fold cross validation, sementara model mengalami overfitting pada data berlabel otomatis hasil LDA. Di antara model RNN, LSTM menunjukkan performa terbaik pada dataset berlabel manual dengan akurasi rata-rata sebesar 67,62%, diikuti oleh GRU dengan akurasi sebesar 56,62%. Hasil ini juga menunjukkan bahwa model unidirectional lebih sesuai dengan karakteristik judul berita yang relatif pendek, dibandingkan dengan model bidirectional yang cenderung terlalu kompleks untuk konteks data ini. Penelitian ini menegaskan pentingnya kualitas pelabelan, potensi metode berbasis transformer dalam memahami klasifikasi media secara otomatis, serta relevansi pendekatan NLP dalam menganalisis bias dan representasi isu dalam pemberitaan media.