IMPLEMANTASI FITUR EKSTRAKSI GLOVE PADA TEKS KLASIFIKASI MENGGUNAKAN ALGORITMA LONG-SHORT TERM MEMORY
Keywords:
fitur ekstraksi, glove, teks klasifikasi, lstm
Article Metrics
Abstract view : 318 timesAbstract
Perkembangan pesat data digital menuntut metode cerdas untuk mengelompokkan teks secara otomatis dan akurat. Salah satu pendekatan yang menjanjikan adalah memadukan representasi kata berbasis word embedding dengan model deep learning yang mampu memahami konteks urutan kata. Mengkaji klasifikasi teks dengan menggabungkan fitur ekstraksi GloVe dan algoritma Long Short-Term Memory (LSTM) untuk mengelompokkan dokumen berita dari dataset 20 Newsgroups. Teks terlebih dahulu melalui pra-pemrosesan pembersihan tanda baca, case folding, penghapusan stopword, tokenisasi, dan stemming lalu setiap kata direpresentasikan sebagai vektor berdimensi tetap menggunakan model GloVe yang mampu menangkap makna dan hubungan semantik secara global. Vektor ini menjadi masukan jaringan LSTM yang belajar mengenali pola urutan kata dan konteks topik. Evaluasi dengan metrik akurasi, presisi, recall, dan F1-score menunjukkan kinerja tinggi: akurasi 0,9562, presisi 0,9701, recall 0,9485, dan F1-score 0,9701. Hasil ini menegaskan bahwa kombinasi GloVe dan LSTM efektif serta kompetitif, mampu menghasilkan klasifikasi teks yang presisi dan seimbang, sehingga layak diterapkan pada berbagai aplikasi pemrosesan bahasa alami yang memerlukan pengelompokan dokumen secara otomatis dan akurat.
References
Adipradana, R., Nayoga, B. P., Suryadi, R., & Suhartono, D. (2021). Hoax analyzer for indonesian news using rnns with fasttext and glove embeddings. Bulletin of Electrical Engineering and Informatics, 10(4), 2130–2136. https://doi.org/10.11591/eei.v10i4.2956
Agustiningsih, K. K., Utami, E., Muhammad, O., & Alsyaibani, A. (2022). Sentiment Analysis of COVID-19 Vaccines in Indonesia on Twitter Using Pre-Trained and Self-Training Word Embeddings. 1, 39–46.
Deolika, A., Kusrini, K., & Luthfi, E. T. (2019). Analisis Pembobotan Kata Pada Klasifikasi Text Mining. Jurnal Teknologi Informasi, 3(2), 179. https://doi.org/10.36294/jurti.v3i2.1077
Dwi Dharma Sreya, M., & Setiawan, E. B. (2022). Penggunaan Metode GloVe untuk Ekspansi Fitur pada Analisis Sentimen Twitter dengan Naïve Bayes dan Support Vector Machine. E-Proceeding of Engineering : Vol.9, No.3 Juni 2022 | Page 2008, 9(3), 2008–2015.
Fudholi, D. H., Zahra, A., & Nayoan, R. A. N. (2022). A Study on Visual Understanding Image Captioning using Different Word Embeddings and CNN-Based Feature Extractions. Kinetik: Game Technology, Information System, Computer Network, Computing, Adipradana, R., Nayoga, B. P., Suryadi, R., & Suhartono, D. (2021). Hoax analyzer for indonesian news using rnns with fasttext and glove embeddings. Bulletin of Electrical Engineering and Informatics, 10(4), 2130–2136. https://doi.org/10.11591/eei.v10i4.2956
Agustiningsih, K. K., Utami, E., Muhammad, O., & Alsyaibani, A. (2022). Sentiment Analysis of COVID-19 Vaccines in Indonesia on Twitter Using Pre-Trained and Self-Training Word Embeddings. 1, 39–46.
Deolika, A., Kusrini, K., & Luthfi, E. T. (2019). Analisis Pembobotan Kata Pada Klasifikasi Text Mining. Jurnal Teknologi Informasi, 3(2), 179. https://doi.org/10.36294/jurti.v3i2.1077
Dwi Dharma Sreya, M., & Setiawan, E. B. (2022). Penggunaan Metode GloVe untuk Ekspansi Fitur pada Analisis Sentimen Twitter dengan Naïve Bayes dan Support Vector Machine. E-Proceeding of Engineering : Vol.9, No.3 Juni 2022 | Page 2008, 9(3), 2008–2015.
Fudholi, D. H., Zahra, A., & Nayoan, R. A. N. (2022). A Study on Visual Understanding Image Captioning using Different Word Embeddings and CNN-Based Feature Extractions. Kinetik: Game Technology, Information System, Computer Network, Computing, Electronics, and Control, 4(1), 91–98. https://doi.org/10.22219/kinetik.v7i1.1394
Handayani, S. F., Pratiwi, R. W., Dairoh, D., & Af’idah, D. I. (2022). Analisis Sentimen pada Data Ulasan Twitter dengan Long-Short Term Memory. JTERA (Jurnal Teknologi Rekayasa), 7(1), 39. https://doi.org/10.31544/jtera.v7.i1.2022.39-46
Hasiholan, A., Cholissodin, I., & Yudistira, N. (2022). Analisis Sentimen Tweet Covid-19 Varian Omicron pada Platform Media Sosial Twitter menggunakan Metode LSTM berbasis Multi Fungsi Aktivasi dan GLOVE. 6(10), 4653–4661.
Nadia Ristya Dewi, Yulia Puspaningrum, E., & Maulana, H. (2022). Analisis Sentimen Tweet Vaksinasi Covid-19 Menggunakan RNN Dengan Metode TF-IDF Dan Word2Vec. Jurnal Informatika Dan Sistem Informasi, 3(1), 56–65. https://doi.org/10.33005/jifosi.v3i1.449
Permata Sari, W. (2022). Peningkatan Keterampilan Membaca Teks Klasifikasi Menggunakan Metode Sq3R Dengan Media Gambar. LJSE Linggau Journal Science Education, 2(1), 77–83. https://doi.org/10.55526/ljese.v2i1.103
Pratama, R., & Basuki, S. (2025). Klasifikasi Hoax Vs Non-Hoax Pada Berita Bencana Alam Berbahasa Indonesia Menggunakan Word Embedding. Jurnal Komputer, Informasi Dan Teknologi, 5(1), 13. https://doi.org/10.53697/jkomitek.v5i1.2338
Putri, D. R., Puspaningrum, E. Y., & Maulana, H. (2024). Klasifikasi Sentimen Tentang Pemindahan Ibu Kota Negara Indonesia Dengan Convolutional Neural Network Menggunakan Glove Dan Fasttext. Jurnal Informatika Dan Teknik Elektro Terapan, 12(3), 2759–2769. https://doi.org/10.23960/jitet.v12i3.4882
Salur, M. U., & Aydin, I. (2020). A Novel Hybrid Deep Learning Model for Sentiment Classification. IEEE Access, 8, 58080–58093. https://doi.org/10.1109/ACCESS.2020.2982538
Setiawan, E. I., & Lestari, I. (2021). Stance Classification Pada Berita Berbahasa Indonesia Berbasis Bidirectional LSTM. Journal of Intelligent System and Computation, 3(1), 41–48. https://doi.org/10.52985/insyst.v3i1.148
Singh, D., Taspinar, Y. S., Kursun, R., Cinar, I., Koklu, M., Ozkan, I. A., & Lee, H. N. (2022). Classification and Analysis of Pistachio Species with Pre-Trained Deep Learning Models. Electronics (Switzerland), 11(7), 1–14. https://doi.org/10.3390/electronics11070981
Wang, C., Qin, J., Qu, C., Ran, X., Liu, C., & Chen, B. (2021). A smart municipal waste management system based on deep-learning and Internet of Things. Waste Management, 135(August), 20–29. https://doi.org/10.1016/j.wasman.2021.08.028
Yudoyono, V. N., Maulana, J., Alfath, A. R., Melati, R., Sihaloho, M. A., & Abdiansah, A. (2025). Analisis Komparatif Bilstm Dan Bigru Dengan Word Embedding Glove Terhadap Sentimen Publik Tentang Covid-19 Di Twitter. Jurnal Informatika Dan Teknik Elektro Terapan, 13(3). https://doi.org/10.23960/jitet.v13i3.6588
Yurtsever, M. (2021). Gold Price Forecasting Using LSTM, Bi-LSTM and GRU. European Journal of Science and Technology, 31(31), 341–347. https://doi.org/10.31590/ejosat.959405
Zikri, A., & Agustian, S. (2023). Penerapan Support Vector Machine dan FastText untuk Mendeteksi Hate Speech dan Abusive pada Twitter. Jurnal Media Informatika …, 7, 436–443. https://doi.org/10.30865/mib.v7i1.5408
Agustiningsih, K. K., Utami, E., Muhammad, O., & Alsyaibani, A. (2022). Sentiment Analysis of COVID-19 Vaccines in Indonesia on Twitter Using Pre-Trained and Self-Training Word Embeddings. 1, 39–46.
Deolika, A., Kusrini, K., & Luthfi, E. T. (2019). Analisis Pembobotan Kata Pada Klasifikasi Text Mining. Jurnal Teknologi Informasi, 3(2), 179. https://doi.org/10.36294/jurti.v3i2.1077
Dwi Dharma Sreya, M., & Setiawan, E. B. (2022). Penggunaan Metode GloVe untuk Ekspansi Fitur pada Analisis Sentimen Twitter dengan Naïve Bayes dan Support Vector Machine. E-Proceeding of Engineering : Vol.9, No.3 Juni 2022 | Page 2008, 9(3), 2008–2015.
Fudholi, D. H., Zahra, A., & Nayoan, R. A. N. (2022). A Study on Visual Understanding Image Captioning using Different Word Embeddings and CNN-Based Feature Extractions. Kinetik: Game Technology, Information System, Computer Network, Computing, Adipradana, R., Nayoga, B. P., Suryadi, R., & Suhartono, D. (2021). Hoax analyzer for indonesian news using rnns with fasttext and glove embeddings. Bulletin of Electrical Engineering and Informatics, 10(4), 2130–2136. https://doi.org/10.11591/eei.v10i4.2956
Agustiningsih, K. K., Utami, E., Muhammad, O., & Alsyaibani, A. (2022). Sentiment Analysis of COVID-19 Vaccines in Indonesia on Twitter Using Pre-Trained and Self-Training Word Embeddings. 1, 39–46.
Deolika, A., Kusrini, K., & Luthfi, E. T. (2019). Analisis Pembobotan Kata Pada Klasifikasi Text Mining. Jurnal Teknologi Informasi, 3(2), 179. https://doi.org/10.36294/jurti.v3i2.1077
Dwi Dharma Sreya, M., & Setiawan, E. B. (2022). Penggunaan Metode GloVe untuk Ekspansi Fitur pada Analisis Sentimen Twitter dengan Naïve Bayes dan Support Vector Machine. E-Proceeding of Engineering : Vol.9, No.3 Juni 2022 | Page 2008, 9(3), 2008–2015.
Fudholi, D. H., Zahra, A., & Nayoan, R. A. N. (2022). A Study on Visual Understanding Image Captioning using Different Word Embeddings and CNN-Based Feature Extractions. Kinetik: Game Technology, Information System, Computer Network, Computing, Electronics, and Control, 4(1), 91–98. https://doi.org/10.22219/kinetik.v7i1.1394
Handayani, S. F., Pratiwi, R. W., Dairoh, D., & Af’idah, D. I. (2022). Analisis Sentimen pada Data Ulasan Twitter dengan Long-Short Term Memory. JTERA (Jurnal Teknologi Rekayasa), 7(1), 39. https://doi.org/10.31544/jtera.v7.i1.2022.39-46
Hasiholan, A., Cholissodin, I., & Yudistira, N. (2022). Analisis Sentimen Tweet Covid-19 Varian Omicron pada Platform Media Sosial Twitter menggunakan Metode LSTM berbasis Multi Fungsi Aktivasi dan GLOVE. 6(10), 4653–4661.
Nadia Ristya Dewi, Yulia Puspaningrum, E., & Maulana, H. (2022). Analisis Sentimen Tweet Vaksinasi Covid-19 Menggunakan RNN Dengan Metode TF-IDF Dan Word2Vec. Jurnal Informatika Dan Sistem Informasi, 3(1), 56–65. https://doi.org/10.33005/jifosi.v3i1.449
Permata Sari, W. (2022). Peningkatan Keterampilan Membaca Teks Klasifikasi Menggunakan Metode Sq3R Dengan Media Gambar. LJSE Linggau Journal Science Education, 2(1), 77–83. https://doi.org/10.55526/ljese.v2i1.103
Pratama, R., & Basuki, S. (2025). Klasifikasi Hoax Vs Non-Hoax Pada Berita Bencana Alam Berbahasa Indonesia Menggunakan Word Embedding. Jurnal Komputer, Informasi Dan Teknologi, 5(1), 13. https://doi.org/10.53697/jkomitek.v5i1.2338
Putri, D. R., Puspaningrum, E. Y., & Maulana, H. (2024). Klasifikasi Sentimen Tentang Pemindahan Ibu Kota Negara Indonesia Dengan Convolutional Neural Network Menggunakan Glove Dan Fasttext. Jurnal Informatika Dan Teknik Elektro Terapan, 12(3), 2759–2769. https://doi.org/10.23960/jitet.v12i3.4882
Salur, M. U., & Aydin, I. (2020). A Novel Hybrid Deep Learning Model for Sentiment Classification. IEEE Access, 8, 58080–58093. https://doi.org/10.1109/ACCESS.2020.2982538
Setiawan, E. I., & Lestari, I. (2021). Stance Classification Pada Berita Berbahasa Indonesia Berbasis Bidirectional LSTM. Journal of Intelligent System and Computation, 3(1), 41–48. https://doi.org/10.52985/insyst.v3i1.148
Singh, D., Taspinar, Y. S., Kursun, R., Cinar, I., Koklu, M., Ozkan, I. A., & Lee, H. N. (2022). Classification and Analysis of Pistachio Species with Pre-Trained Deep Learning Models. Electronics (Switzerland), 11(7), 1–14. https://doi.org/10.3390/electronics11070981
Wang, C., Qin, J., Qu, C., Ran, X., Liu, C., & Chen, B. (2021). A smart municipal waste management system based on deep-learning and Internet of Things. Waste Management, 135(August), 20–29. https://doi.org/10.1016/j.wasman.2021.08.028
Yudoyono, V. N., Maulana, J., Alfath, A. R., Melati, R., Sihaloho, M. A., & Abdiansah, A. (2025). Analisis Komparatif Bilstm Dan Bigru Dengan Word Embedding Glove Terhadap Sentimen Publik Tentang Covid-19 Di Twitter. Jurnal Informatika Dan Teknik Elektro Terapan, 13(3). https://doi.org/10.23960/jitet.v13i3.6588
Yurtsever, M. (2021). Gold Price Forecasting Using LSTM, Bi-LSTM and GRU. European Journal of Science and Technology, 31(31), 341–347. https://doi.org/10.31590/ejosat.959405
Zikri, A., & Agustian, S. (2023). Penerapan Support Vector Machine dan FastText untuk Mendeteksi Hate Speech dan Abusive pada Twitter. Jurnal Media Informatika …, 7, 436–443. https://doi.org/10.30865/mib.v7i1.5408
Published
2025-09-23
How to Cite
Asrawi, H., Sriwinar, & Bilqisthi, M. F. (2025). IMPLEMANTASI FITUR EKSTRAKSI GLOVE PADA TEKS KLASIFIKASI MENGGUNAKAN ALGORITMA LONG-SHORT TERM MEMORY. Jurnal Multimedia Dan Teknologi Informasi (Jatilima), 7(03), 708-717. https://doi.org/10.54209/jatilima.v7i03.1694
Section
Articles
Copyright (c) 2025 hannan asrawi
This work is licensed under a Creative Commons Attribution 4.0 International License.
