KLASIFIKASI JENIS KONFLIK PARTAI POLITIK DAN MEDIASI MENGGUNAKAN MODIFIED DEEP LEARNING RCNN

Informasi politik kini semakin cepat tersebar di internet. Bahkan dari informasi tersebut, banyak isu-isu konflik dari partai politik yang ikut tersebar, mulai dari kasus dualisme partai, konflik kandidat partai, konflik dari beberapa elite politik di dalam partai, dan konflik kepengurusan partai. Informasi ini dibutuhkan untuk menganalisa dan mencari cara untuk menengahi konflik-konflik tersebut dari anggota partai politik. Anggota-anggota partai politik pada awalnya menganalisis data secara manual, yang dapat memakan waktu dan menghasilkan hasil yang tidak konsisten. Perkembangan teknologi dan kecerdasan buatan diharapkan dapat menyelesaikan hal ini dengan cepat dengan metode klasifikasi teks di segmen Natural Language Processing (NLP). Recurrent Convolutional Neural Network (RCNN) merupakan salah satu model yang baik dari beberapa algoritma dalam deep learning dengan menggabungkan lapisan CNN dan RNN menjadi satu model. Dengan semakin meluasnya penggunaan RCNN, tentunya dapat diadaptasikan pada teknologi yang sudah ada sebelumnya. Namun dengan kompleksitas model yang tinggi, cukup beresiko untuk overfitting pada hasil model. Penelitian ini mengusulkan algoritma Modified Recurrent Convolutional Neural Network (M-RCNN) dengan menambahkan lapisan RCNN tambahan dan Dropout pada lapisan untuk mendapatkan hasil yang memuaskan untuk mengklasifikasikan jenis-jenis konflik partai politik dan mediasinya di Indonesia. Penelitian ini menggunakan dataset berbahasa Indonesia yang bersumber dari portal berita Indonesia dengan melakukan pra-pemrosesan dataset sebelum pelatihan dan dibagi menjadi 80% untuk data pelatihan dan 20% untuk data validasi dan pengujian yang dilabeli ke dalam empat kelas, yaitu konflik elite politik, konflik kepengurusan partai, konflik dukungan calon presiden, dan konflik calon anggota legislatif untuk klasifikasi konflik, serta empat jenis, yaitu keputusan pimpinan, musyawarah, jalur hukum, dan tidak ada untuk mediasi. Penelitian kami mendapatkan hasil yang memuaskan dibandingkan algoritma deep learning lainnya dengan akurasi 0.98, presisi 0.99, dan loss 0.03 dalam mengklasifikasikan konflik, dan juga mendapatkan akurasi 0.99, presisi 0.99, dan loss 0.01 untuk mediasi.