Self-Training Naive Bayes Berbasis Word2Vec untuk Kategorisasi Berita Bahasa Indonesia
Abstrak
Berita sebagai salah satu jenis informasi yang dibutuhkan dalam kehidupan sehari-hari telah tersedia secara bebas di internet. Situs berita telah melakukan pengelompokan berita berdasarkan topiknya untuk mempermudah pengguna mencari berita yang dibutuhkan. Klasifikasi dokumen telah banyak digunakan untuk membantu pengelompokan berita secara otomatis. Kurang tersedianya data pelatihan yang cukup untuk digunakan komputer membentuk model klasifikasi yang baik sering menjadi kendala dalam implementasi di kasus nyata. Masalah utama dalam pelabelan data pelatihan agar diperoleh jumlah data yang cukup adalah perlunya biaya yang besar dan waktu yang cukup lama. Algoritme semi-supervised telah ditawarkan untuk menjawab permasalahan tersebut dengan menggunakan data berlabel dan tak berlabel dalam membentuk model klasifikasi yang dibutuhkan. Makalah ini mengusulkan sistem klasifikasi berita menggunakan semi-supervised learning dengan algoritme Self-Training Naive Bayes. Fitur yang digunakan dalam klasfikasi teks ini adalah model Word2Vec Skip-Gram. Model ini banyak digunakan untuk merepresentasikan kata dalam penelitian terbaru di bidang linguistik komputasi atau text mining. Alasan utama digunakannya Word2Vec adalah dapat menambahkan makna semantik dari kata dalam proses klasifikasi. Data yang digunakan dalam klasifikasi ini adalah data berita bahasa Indonesia dengan jumlah 29.587 dokumen. Hasil percobaan SelfTraining Naive Bayes memiliki nilai F1-Score terbaik sebesar 94,17%.
Referensi
(2017) Internet User Penetration in Indonesia from 2015 to 2022. [Online], https://www.statista.com/statistics/254460/internet-penetration-rate-in-indonesia/, tanggal akses : 01 Januari 2017.
D. Rahmawati dan M. L. Khodra, “Word2vec Semantic Representation in Multilabel Classification for Indonesian News Article,” 4th IGNITE Conf. 2016 Int. Conf. Adv. Informatics Concepts, Theory Appication. ICAICTA 2016, 2016, hal. 1–6.
W. Xu, H. Sun, C. Deng, dan Y. Tan, “Variational Autoencoder for Semi-Supervised Text Classification,” Proc. of the Thirty-First AAAI Conf. on Artificial Intelligence (AAAI-17), 2017, hal. 3358–3364.
Z. Xu, J. Li, B. Liu, J. Bi, R. Li, dan R. Mao, “Semi-Supervised Learning in Large Scale Text Categorization,” Journal Shanghai Jiaotong University, Vol. 22, No. 3, hal. 291–302, 2017.
C. Olivier, B. Schölkopf, dan A. Zien, Semi-Supervised Learning, Cambridge, USA: The MIT Press, 2006.
J. Santoso, E. M. Yuniarno, dan M. Hariadi, “Large Scale Text Classification using Map Reduce and Naive Bayes Algorithm for Domain Specified Ontology Building,” Proceedings - 2015 7th International Conference on Intelligent Human-Machine Systems and Cybernetics, IHMSC 2015, 2015, Vol. 1, hal. 428–432.
J. Lilleberg, Y. Zhu, dan Y. Zhang, “Support Vector Machines and Word2vec for Text Classification with Semantic Features,” Proc. IEEE 14th International. Conference on Cognitive Informatics & Cognitive Computing, 2015, hal. 136–140.
Z. Gong dan T. Yu, “Chinese Web Text Classification System Model Based on Naive Bayes,” 2010 International Conference on E-Product E-Service and E-Entertainment (ICEEE), 2010, hal. 1–4.
A. Tripathy, A. Agrawal, dan S. K. Rath, “Classification of Sentimental Reviews Using Machine Learning Techniques,” Procedia Computer Science, Vol. 57, hal. 821–829, 2015.
Arifin dan K. E. Purnama, “Classification of Emotions in Indonesian TextsUsing K-NN Method,” International Journal of Information and Electronics Engineering, Vol. 2, No. 3, hal. 899-903, Nov. 2012.
A. Zaini, M. A. Muslim, dan Wijono, “Pengelompokan Artikel Berbahasa Indonesia Berdasarkan Struktur Laten Menggunakan Pendekatan Self Organizing Map,” Jurnal Nasional Teknik Elektro dan Teknologi Informasi, Vol. 6, No. 3, hal. 259-267, 2017.
A. Blum dan T. Mitchell, “Combining Labeled and Unlabeled Data with Co-Training,” Proceedings of the Eleventh Annual Conference on Computational Learning Theory - COLT’ 98, 1998, hal. 92–100.
S. Kiritchenko dan S. Matwin, “Email Classification with Co-Training,” Proceedings of the 2001 Conference of the Centre for Advanced Studies on Collaborative Research, 2001, hal. 301–312.
R. Guzmán-Cabrera, M. Montes-Y-Gómez, P. Rosso, dan L. Villaseñor-Pineda, “Using the Web as Corpus for Self-Training Text Categorization,” Information Retrieval, Vol. 12, No. 3, hal. 400–415, 2009.
J. Laksana dan A. Purwarianti, “Indonesian Twitter Text Authority Classification for Government in Bandung,” 2014 International Conference of Advanced Informatics: Concept, Theory and Application (ICAICTA), 2014, hal. 129–134.
A. Rachmania, J. Jaafar, dan N. Zamin, “Likelihood Calculation Classification for Indonesian Language News Documents,” 2013 International Conference on Information Technology and Electrical Engineering (ICITEE), 2013, hal. 149–154.
B. Y. Pratama dan R. Sarno, “Personality Classification Based on Twitter Text using Naive Bayes, KNN and SVM,” Proc. 2015 Int. Conf. Data Softw. Eng. ICODSE 2015, 2015, hal. 170–174.
A. R. Naradhipa dan A. Purwarianti, “Sentiment Classification for Indonesian Message in Social Media,” Proceedings of the 2011 International Conference on Electrical Engineering and Informatics, 2011, hal. 2–5.
T. Mikolov, I. Sutskever, K. Chen, G. S. Corrado, dan J. Dean, “Distributed Representations of Words and Phrases and Their Compositionality,” Advances in Neural Information Processing Systems, 2013, hal. 3111–3119.
C. Xing, D. Wang, X. Zhang, and C. Liu, “Document Classification with Distributions of Word Vectors,” Asia-Pacific Signal and Information Processing Association, 2014 Annual Summit and Conference (APSIPA), 2014, hal. 1–5.
R. Wongso, F. A. Luwinda, B. C. Trisnajaya, O. Rusli, and Rudy, “News Article Text Classification in Indonesian Language,” Procedia Computer Science, Vol. 116, hal. 137–143, 2017.
F. Z. Tala, “A Study of Stemming Effects on Information Retrieval in Bahasa Indonesia,” M.Sc. thesis, University of Amsterdam, Netherlands, 2003.
O. Somantri dan M. Khambali, “Feature Selection Klasifikasi Kategori Cerita Pendek Menggunakan Naive Bayes dan Algoritme Genetika,” Jurnal Nasional Teknik Elektro dan Teknologi Informasi, Vol. 6, No. 3, hal. 301-306, 2017.
M. Naili, A. H. Chaibi, dan H. H. Ben Ghezala, “Comparative Study of Word Embedding Methods in Topic Segmentation,” Procedia Computer Science, Vol. 112, hal. 340–349, 2017.
A. Søgaard, “Semi-Supervised Learning and Domain Adaptation in Natural Language Processing,” Synth. Lect. Hum. Lang. Technol., Vol. 6, No. 2, hal. 1–103, 2013.
A. Fujino, H. Isozaki, dan J. Suzuki, “Multi-label Text Categorization with Model Combination based on F1-score Maximization,” Proc. IJCNLP, 2008, hal. 823–828.
© Jurnal Nasional Teknik Elektro dan Teknologi Informasi, di bawah Lisensi Creative Commons Atribusi-BerbagiSerupa 4.0 Internasional.