Implementasi Embedding from Language Models sebagai Feature Extractor dan Multilayer Perceptron untuk Klasifikasi Kategori Berita

Berita adalah laporan setiap saat atau sesuatu yang menarik untuk pembacanya dan berita terbaik dinilai kemenarikannya bagi para pembaca. Penyebarluasan berbagai macam berita sekarang telah beralih ke digital, dimana proses pengelompokan berita diperlukan untuk memudahkan pembacanya. Embedding from Language Models (ELMo) memiliki bidirectional language model yang berfungsi untuk melakukan pengecekan dua arah membuat ELMo dapat merepresentasikan kata dengan baik dibandingkan dengan ektraksi fitur lainnya. Berdasarkan penelitian sebelumnya, Multilayer Perceptron (MLP) terbukti dapat memberikan hasil yang lebih baik dibandingkan dengan model lainnya. Berdasarkan latar belakang tersebut, penelitian dilakukan dengan menggunakan ELMo sebagai ekstraksi fitur dan Neural Network sebagai model klasifikasi yang diuji dengan beberapa skenario menggunakan hyperparameter dan dibandingkan dengan ekstraksi fitur lain. Dengan tujuh kategori yang ada pada data, nilai tertinggi yang diperoleh dengan menggunakan ELMo terletak pada pada nilai f1-score sebesar 0,863 untuk data testing dengan perbandingan pembagian data sebesar 70% data training dan 30% data testing