Publisher

BSIBSI

Journal Jurnal InfortechJurnal Infortech Abstract

Dalam era digital, akses informasi melalui berbagai platform online semakin meningkat, termasuk melalui situs web resmi pemerintah. Pemerintah Provinsi DKI Jakarta secara rutin menyampaikan kebijakan, program, dan berita melalui situs webnya. Namun, volume data yang besar dan keragaman topik berita menghadirkan tantangan dalam pengelolaan dan analisis informasi secara efisien. Penelitian ini mengembangkan model klasifikasi dan prediksi pola publikasi berita menggunakan tiga algoritma machine learning yaitu: Support Vector Machine (SVM), Naïve Bayes, dan Random Forest. Dataset yang digunakan berupa berita yang dipublikasikan oleh Pemprov DKI Jakarta selama tahun 2023. Pra-pemrosesan data meliputi pembersihan teks, case folding, tokenizing, normalisasi, penghapusan stopword, dan stemming. Model SVM dan Naïve Bayes diterapkan untuk klasifikasi berita, sedangkan Random Forest digunakan untuk memprediksi pola publikasi berita harian. Proses tuning hyperparameter dilakukan menggunakan GridSearchCV guna meningkatkan kinerja model. Penilaian terhadap klasifikasi dilakukan dengan diukur dari beberapa parameter yaitu akurasi, precision, recall, dan F1-score, sedangkan evaluasi prediksi menggunakan MAE, MSE, dan R². Temuan dari penelitian ini mengindikasikan bahwa SVM menunjukkan performa yang baik dengan akurasi 95%, sedangkan Random Forest berhasil memprediksi pola publikasi berita dengan R² sebesar 0,82. Penelitian ini diharapkan dapat mendukung pengelolaan informasi publik secara lebih efisien dan menyediakan wawasan mengenai pola publikasi berita oleh Pemprov DKI Jakarta.

Conclusion

Penelitian ini berhasil mengembangkan dan membandingkan model klasifikasi berita serta memprediksi pola publikasi berita harian oleh Pemprov DKI Jakarta.Berdasarkan hasil klasifikasi, Support Vector Machine (SVM) terbukti lebih unggul dibandingkan Naïve Bayes dalam hal akurasi dan konsistensi prediksi kategori berita, mencapai akurasi sebesar 95%.Selain itu, prediksi pola publikasi berita harian menggunakan Random Forest memberikan wawasan mengenai tren publikasi antara hari kerja dan akhir pekan, menunjukkan bahwa publikasi lebih banyak dilakukan pada hari kerja.

Future Research

Penelitian selanjutnya dapat mengeksplorasi penggunaan algoritma deep learning seperti LSTM untuk pemodelan deret waktu dalam memprediksi pola publikasi berita dengan lebih akurat. Selain itu, integrasi data eksternal seperti data peristiwa penting atau kondisi cuaca dapat meningkatkan kemampuan model dalam menangkap faktor-faktor yang memengaruhi intensitas publikasi berita. Terakhir, perlu dilakukan penelitian lebih lanjut dengan memperluas cakupan data, termasuk publikasi di media sosial resmi pemerintah, untuk mendapatkan analisis pola publikasi yang lebih komprehensif dan adaptif terhadap dinamika informasi di era digital. Penelitian-penelitian ini diharapkan dapat memberikan kontribusi signifikan dalam mendukung pengelolaan informasi publik yang lebih efektif dan efisien, serta membantu pemerintah daerah dalam merencanakan dan mengoptimalkan strategi komunikasi publiknya. Dengan demikian, informasi dapat disebarluaskan secara tepat sasaran dan relevan bagi masyarakat luas, sehingga meningkatkan partisipasi dan pemahaman publik terhadap kebijakan dan program pemerintah.

Metadata

File size	479.75 KB
Pages	6
DMCA	Report