Klasifikasi berita berbahasa Indonesia menghadapi tantangan karena perbedaan panjang dan kelengkapan informasi antarkomponen teks. Penelitian ini membandingkan Convolutional Neural Network (CNN) dan Attention-Bidirectional Long Short-Term Memory (Attention-BiLSTM) pada beberapa representasi teks. Dataset terdiri atas 9.997 artikel Kompas dalam empat kategori dan AG News sebagai benchmark. Skenario Kompas mencakup judul, judul dan deskripsi, serta judul, deskripsi, dan kata kunci YAKE, sedangkan AG News menggunakan judul serta judul dan deskripsi. Evaluasi menggunakan accuracy, macro precision, macro recall, macro F1-score, log loss, confusion matrix, waktu inferensi, dan exact McNemar test dengan koreksi Holm. Penambahan deskripsi meningkatkan kinerja model secara signifikan pada kedua dataset ( ). Pada K2, CNN memperoleh accuracy dan macro F1-score 96,90%, sedangkan Attention-BiLSTM 96,80%, tetapi perbedaannya tidak signifikan ( . Penambahan YAKE menurunkan kinerja secara deskriptif sebesar 1,00 poin persentase, tetapi tidak signifikan . SHAP menjelaskan kontribusi token, sedangkan CNN K2 diterapkan pada dashboard Streamlit berdasarkan performa, log loss, dan efisiensi inferensi.
Copyrights © 2026