Sistem Perangkat Lunak Klasifikasi Teks Berbasis Machine Learning dan Recurrent Neural Network

Pertumbuhan eksponensial data yang dapat diakses dan kemajuan pesat teknologi informasi membuat pengelolaan analisis data yang efisien semakin krusial. Klasifikasi teks otomatis—menetapkan teks ke kategori yang telah ditentukan—tetap menjadi tantangan utama karena keragaman format, variabilitas struktural, dan kompleksitas semantik bahasa alami. Makalah ini mengatasi tantangan tersebut dengan mengembangkan dan menguji sistem perangkat lunak untuk klasifikasi teks otomatis, termasuk teks yang ditulis dalam bahasa Ukraina. Sistem ini menggunakan tiga model: Naive Bayes, Support Vector Machine (SVM), dan arsitektur Recurrent Neural Network (RNN) berbasis LSTM, serta kombinasinya. Tujuan utamanya adalah menyediakan alat yang cepat, akurat, dan ramah pengguna yang memungkinkan pengguna melatih sistem pada dataset mereka sendiri dan mengonfigurasi parameter untuk hasil yang optimal. Hipotesis yang diuji adalah bahwa model khusus, selain jauh lebih efisien dalam sumber daya, dapat mengungguli large language model (LLM) dalam tugas klasifikasi teks.

Aplikasi grafis yang dikembangkan mencapai akurasi sekitar 92% dalam mengklasifikasikan teks ke dalam empat kategori ("World", "Sports", "Science/Technology", "Business") untuk bahasa Inggris dan Ukraina. Pengujian mengonfirmasi hipotesis bahwa model khusus dapat mengungguli large language model dalam tugas klasifikasi teks sekaligus jauh lebih efisien dalam sumber daya. Sistem ini juga dengan cepat diadaptasi untuk penyaringan spam, di mana model SVM mencapai akurasi sekitar 99% dalam mengidentifikasi pesan spam tipikal dalam hitungan detik. Selain itu, sistem ini menunjukkan kemampuan dalam mendeteksi nada emosional dalam teks, mencapai akurasi 87,75%. Hasil ini menyoroti efektivitas pendekatan gabungan dan potensi model khusus untuk tugas NLP tertentu.