Electronic Theses and Dissertation

Produk Domestik Bruto (PDB) merupakan indikator utama dalam menggambarkan kondisi dan kinerja perekonomian suatu negara. Namun, publikasi PDB bersifat periodik dan memiliki jeda waktu, sehingga diperlukan pendekatan alternatif untuk memperoleh sinyal awal mengenai pergerakan ekonomi. Penelitian ini bertujuan untuk mengembangkan sistem klasifikasi berita ekonomi berbasis teks guna mendeteksi sektor lapangan usaha, arah pergerakan PDB, serta jenis laju pertumbuhan PDB menggunakan model transformer bahasa Indonesia. Penelitian ini menggunakan data berita ekonomi daring berbahasa Indonesia yang dikumpulkan dari situs Detik.com pada periode 2023–2024. Dataset disusun melalui proses penyaringan dan validasi oleh anotator terlatih dan ahli dari BPS, kemudian digunakan untuk melatih dan mengevaluasi beberapa model transformer, yaitu IndoBERT-Lite-Base-P2, IndoBERT-Lite-Large-P2, IndoBERT-IndoLEM, dan IndoRoBERTa. Proses pengembangan model dilakukan melalui fine-tuning, penerapan strategi sentence selection, hyperparameter tuning, serta class-weighted cross-entropy untuk menangani ketidakseimbangan kelas pada tugas klasifikasi jenis laju pertumbuhan pergerakan PDB. Hasil penelitian menunjukkan bahwa IndoRoBERTa merupakan arsitektur model terbaik pada ketiga tugas klasifikasi. Model terbaik mencapai akurasi sebesar 0,8588 dengan macro F1-score sebesar 0,8617 pada klasifikasi lapangan usaha, akurasi sebesar 0,8971 dengan F1-score sebesar 0,8878 pada deteksi pergerakan PDB, dan akurasi sebesar 0,8559 dengan F1-score sebesar 0,6728 pada klasifikasi jenis laju pertumbuhan PDB. Penerapan neural sentence selection terbukti memberikan peningkatan performa yang lebih konsisten dibandingkan pendekatan berbasis kata kunci. Selain itu, sistem aplikasi web yang dikembangkan mampu mengimplementasikan model terbaik secara end-to-end dan menyajikan hasil klasifikasi berita ekonomi secara praktis.

Kata kunci: Produk Domestik Bruto, Berita Ekonomi, Transformer, IndoRoBERTa, Neural Sentence Selection

Gross Domestic Product (GDP) is a key indicator for describing the condition and performance of a country’s economy. However, GDP data are published periodically and with a time lag, making alternative approaches necessary to obtain early signals of economic movements and growth. This study aims to develop a text-based economic news classification system to detect industry sectors, the direction of GDP movement, and types of GDP growth using Indonesian-language Transformer models. This research uses Indonesian online economic news data collected from Detik.com during the 2023–2024 period. The dataset was constructed through a filtering and validation process conducted by trained annotators and experts from Statistics Indonesia (BPS), and subsequently used to train and evaluate several transformer models, namely IndoBERT-Lite-Base-P2, IndoBERT-Lite-Large-P2, IndoBERT-IndoLEM, and IndoRoBERTa. Model development involved fine-tuning, sentence selection strategies, hyperparameter tuning, and class-weighted cross-entropy to address class imbalance in the GDP growth-type classification task. The results show that IndoRoBERTa is the best-performing backbone across all three classification tasks. The best model achieved an accuracy of 0,8588 with a macro F1-score of 0,8617 for industry sector classification, an accuracy of 0,8971 with an F1-score of 0,8878 for GDP movement detection, and an accuracy of 0,8559 with an F1-score of 0,6728 for GDP growth type classification. Neural sentence selection also consistently improved performance over keyword-based approaches. The web-based application implements the best-performing model end-to-end in a practical, user-friendly format. Keywords: Gross Domestic Product, Economic News, Transformer, IndoRoBERTa, Neural Sentence Selection