Perbandingan Performa Metode Klasifikasi Teks Multilabel Hadis Terjemahan Bukhari Menggunakan Support Vector Machine dan Long Short Term Memory: Performance Comparison of Multilabel Text Classification Methods on Translated Hadiths of Bukhari Using Support Vector Machine and Long Short Term Memory

Aulia Ramadhani; Nazruddin Safaat; Surya Agustian; Iwan Iskandar; Suwanto Sanjaya

doi:10.57152/malcom.v5i3.2051

Authors

Aulia Ramadhani Universitas Islam Negeri Sultan Syarif Kasim Riau
Nazruddin Safaat Universitas Islam Negeri Sultan Syarif Kasim Riau
Surya Agustian Universitas Islam Negeri Sultan Syarif Kasim Riau
Iwan Iskandar Universitas Islam Negeri Sultan Syarif Kasim Riau
Suwanto Sanjaya Universitas Islam Negeri Sultan Syarif Kasim Riau

DOI:

https://doi.org/10.57152/malcom.v5i3.2051

Keywords:

Hadis Bukhari, Klasifikasi, Long Short Term Memory, Multilabel, Support Vector Machine

Abstract

Hadis merupakan sumber hukum kedua dalam Islam, dan salah satu kitab hadis yang paling dikenal adalah Shahih al-Bukhari. Untuk mendukung pemahaman dan pengamalan yang tepat, hadis perlu diklasifikasikan secara akurat. Mengingat satu hadis dapat mengandung lebih dari satu informasi, pendekatan klasifikasi multilabel menjadi sangat relevan. Penelitian ini bertujuan untuk memberikan kontribusi dalam bidang klasifikasi teks dengan mengeksplorasi kombinasi metode dan parameter yang optimal untuk klasifikasi multilabel hadis. Hasil penelitian menunjukkan bahwa Support Vector Machine (SVM) memberikan performa terbaik pada label Larangan dengan Macro F1-score sebesar 82,57%, melalui kombinasi SVM + TF-IDF menggunakan kernel = linear, parameter C (regularization parameter) = 1 tanpa stopword removal dan tanpa balancing. Sementara itu, Long Short Term Memory (LSTM) juga unggul pada label Larangan dengan Macro F1-score 82,66% pada kombinasi parameter Epoch = 20, Dropout = 0.5, Dense = 128 dan Batch Size = 64 tanpa stopword removal dan tanpa balancing kombinasi ini juga menghasilkan nilai Hamming Loss terendah sebesar 10,452%, yang lebih baik dibandingkan dengan penelitian sebelumnya serta menunjukkan bahwa LSTM terbukti lebih efektif secara keseluruhan dengan penyetelan parameter yang tepat. Penelitian ini juga berkontribusi dalam peningkatan kualitas data dengan melengkapi matan hadis yang digunakan, sehingga menghasilkan performa klasifikasi yang lebih baik.

Downloads

Download data is not yet available.

References

“Agama di Indonesia, 2024,” Badan Pusat Statistik Kota Samarinda. Accessed: May 15, 2025. [Online]. Available: https://samarindakota.bps.go.id/id/statistics-table/1/MzI0IzE=/agama-di-indonesia-2024.html

M. Y. A. Bakar and Adiwijaya, “Klasifikasi Teks Hadis Bukhari Terjemahan Indonesia Menggunakan Recurrent Convolutional Neural Network (CRNN),” Jurnal Teknologi Informasi dan Ilmu Komputer (JTIIK), vol. 8, no. 5, pp. 907–918, 2021, doi: 10.25126/jtiik.202183750.

A. Hanafi, A. Adiwijaya, and W. Astuti, “Klasifikasi Multi Label pada Hadis Bukhari Terjemahan Bahasa Indonesia Menggunakan Mutual Information dan k-Nearest Neighbor,” Jurnal Sisfokom (Sistem Informasi dan Komputer), vol. 9, no. 3, pp. 357–364, Sep. 2020, doi: 10.32736/sisfokom.v9i3.980.

J. Bogatinovski, L. Todorovski, S. Džeroski, and D. Kocev, “Comprehensive comparative study of multi-label classification methods,” Expert Syst Appl, vol. 203, Oct. 2022, doi: 10.1016/j.eswa.2022.117215.

N. Endut, W. M. A. F. W. Hamzah, I. Ismail, M. K. Yusof, Y. A. Baker, and H. Yusoff, “A Systematic Literature Review on Multi-Label Classification based on Machine Learning Algorithms,” TEM Journal, vol. 11, no. 2, pp. 658–666, May 2022, doi: 10.18421/TEM112-20.

P. Pangestu, R. Novita, and Mustakim, “Systematic Literature Review: Perbandingan Algoritma Klasifikasi,” Jurnal Inovtek Polbeng, vol. 8, no. 2, pp. 431–440, 2023, doi: http://dx.doi.org/10.35314/isi.v8i2.3698.

S. P. Afrisia, F. M. Hana, and W. C. Wahyudin, “Implementasi Metode Long Short Term Memory (LSTM) pada Chatbot Kesehatan Mental Mahasiswa,” Sainteks, vol. 21, no. 2, pp. 107–116, Oct. 2024, doi: 10.30595/sainteks.v21i2.23869.

I. Akbar, M. Faisal, and T. Chamidy, “Penerapan Long Short-Term Memory untuk Klasifikasi Multi-Label Terjemahan Al-Qur’an dalam Bahasa Indonesia,” JOINTECS(Journal of Information Technology and Computer Science), vol. 8, no. 1, pp. 41–54, 2024, doi: https://doi.org/10.31328/jointecs.v8i1.5291.

M. Y. A. Bakar, Adiwijaya, and A. F. Faraby, “Multi-Label Topic Classification of Hadith of Bukhari (Indonesian Languagetranslation) using Information Gain and Backpropagation Neural Network,” in 2018 International Conference on Asian Language Processing?: 15-17 November 2018, Bandung, Indonesia, Institute of Electrical and Electronics Engineers, 2018, pp. 344–350. doi: 10.1109/IALP.2018.8629263.

R. Kustiawan, A. Adiwijaya, and M. D. Purbolaksono, “A Multi-label Classification on Topic of Hadith Verses in Indonesian Translation using CART and Bagging,” Jurnal Media Informatika Budidarma, vol. 6, no. 2, p. 868, Apr. 2022, doi: 10.30865/mib.v6i2.3787.

F. Taufiqurrahman, S. Al Faraby, and M. D. Purbolaksono, “Klasifikasi Teks Multi Label pada Hadis Terjemahan Bahasa Indonesia Menggunakan Chi-Square dan SVM,” e-Proceeding of Engineering, vol. 8, no. 5, pp. 1–10, 2021.

A. R. Muslikh, I. Akbar, D. R. I. M. Setiadi, and H. M. M. Islam, “Multi-label Classification of Indonesian Al-Quran Translation based CNN, BiLSTM, and FastText,” Techno.COM, vol. 23, no. 1, pp. 37–50, 2024, doi: https://doi.org/10.62411/tc.v23i1.9925.

N. Fatiara, N. H. Safaat, S. Agustian, Yusra, and I. Afrianty, “Komparasi Metode K-Nearest Neighbors Dan Long Short Term Memory,” ZONAsi: Jurnal Sistem Informasi, vol. 6, no. 2, pp. 332–345, 2024, doi: https://doi.org/10.31849/zn.v6i2.19863.

W. K. Sari, D. P. Rini, and R. F. Malik, “Text Classification Using Long Short-Term Memory With GloVe Features,” Jurnal Ilmiah Teknik Elektro Komputer dan Informatika, vol. 5, no. 2, p. 85, Feb. 2020, doi: 10.26555/jiteki.v5i2.15021.

M. F. Naufal and S. F. Kusuma, “Analisis Perbandingan Algoritma Machine Learning Dan Deep Learning Untuk Klasifikasi Citra Sistem Isyarat Bahasa Indonesia (SIBI),” Jurnal Teknologi Informasi dan Ilmu Komputer (JTIIK), vol. 10, no. 4, pp. 873–882, 2023, doi: 10.25126/jtiik.2023106828.

R. Saputra, N. S. Harahap, Novriyanto, and M. Affandes, “Penerapan Merger Retriever Pada Question Answering System Hadits Tugas Akhir,” SATIN - Sains dan Teknologi Informasi, vol. 10, no. 1, pp. 24–35, 2024, doi: 10.33372/stn.v9i2.1000.

S. Ningsih, N. H. Safaat, S. Agustian, Yusra, and E. P. Cynthia, “Pengaruh Penyeimbangan Data Pada Klasifikasi Terjemahan Al-Quran Dengan Metode Naïve Bayes dan Long Short Term Memory,” Journal of Computer System and Informatics (JoSYC) , vol. 5, no. 3, pp. 626–635, 2024, doi: 10.47065/josyc.v5i3.5181.

D. P. Aftari, N. H. Safaat, S. Agustian, Yusra, and I. Afrianty, “Perbandingan Performa Klasifikasi Terjemahan Al-Qur’an Menggunakan Metode Random Forest dan Long Short Term Memory,” Journal of Computer System and Informatics (JoSYC), vol. 5, no. 3, pp. 567–577, 2024, doi: 10.47065/josyc.v5i3.5156.

P. A. Octaviani, Y. Wilandari, and D. Ispriyanti, “Penerapan Metode Klasifikasi Support Vector Machine (SVM) Pada Data Akreditasi Sekolah Dasar (SD) Di Kabupaten Magelang,” Jurnal Gaussian, vol. 3, no. 4, pp. 811–820, 2014, doi: https://doi.org/10.14710/j.gauss.3.4.811-820.

N. H. Ovirianti, M. Zarlis, and H. Mawengkang, “Support Vector Machine Using A Classification Algorithm,” Sinkron, vol. 6, no. 3, pp. 2103–2107, 2022, doi: 10.33395/sinkron.v7i3.

N. Khilari, P. Hadawale, H. Shaikh, and S. Kolase, “Analysis Of Machine Learning Algorithm To Predict Wine Quality,” International Journal Of Creative Reseacrh Thoughts (IJCRT), vol. 10, no. 4, pp. 2320–2882, 2022, doi: https://doi.org/10.32628/IJSRSET229235.

M. P. D. Cahyo, Widodo, and B. P. Adhi, “Kinerja Algoritma Support Vector Machine dalam MenentukanKebenaran Informasi Banjir di Twitter,” PINTER?: Jurnal Pendidikan Teknik Informatika dan Komputer, vol. 3, no. 2, pp. 116–121, Dec. 2019, doi: 10.21009/pinter.3.2.5.

S. S. Nurashila, F. Hamami, and T. F. Kusumasari, “Perbandingan Kinerja Algoritma Recurrent Neural Network (RNN) Dan Long Short-Term Memory (LSTM): Studi Kasus prediksi Kemacetan Lalu Lintas Jaringan PT XYZ,” JIPI (Jurnal Ilmiah Penelitian dan Pembelajaran Informatika), vol. 8, no. 3, pp. 864–877, Aug. 2023, doi: 10.29100/jipi.v8i3.3961.

S. M. Al-Selwi et al., “RNN-LSTM: From applications to modeling techniques and beyond—Systematic review,” Journal of King Saud University - Computer and Information Sciences, vol. 36, no. 5, pp. 1–34, Jun. 2024, doi: 10.1016/J.JKSUCI.2024.102068.

E. A. Az Zahra, Y. Sibaroni, and S. S. Prasetyowati, “Classification of Multi-Label of Hate Speech on Twitter Indonesia using LSTM and BiLSTM Method,” JINAV: Journal of Information and Visualization, vol. 4, no. 2, pp. 170–178, Jul. 2023, doi: 10.35877/454RI.jinav1864.

P. Alkhairi, A. P. Windarto, and M. M. Efendi, “Optimasi LSTM Mengurangi Overfitting untuk Klasifikasi Teks Menggunakan Kumpulan Data Ulasan Film Kaggle IMDB,” Building of Informatics, Technology and Science (BITS), vol. 6, no. 2, pp. 1142–1150, Sep. 2024, doi: 10.47065/bits.v6i2.5850