Organisasi dan pengambilan berita video secara efisien tetap menjadi tantangan karena sifat data video yang tidak terstruktur dan kompleks. Sistem otomatis yang mampu memisahkan video berita menjadi komponen yang bermakna sangat penting untuk pengarsipan media, penyajian konten yang dipersonalisasi, dan pencarian cerdas. Sebuah studi terbaru menangani tantangan ini dengan membandingkan berbagai classifier deep learning yang dirancang untuk mengotomatisasi segmentasi video berita. Fokus studi ini adalah mengklasifikasikan lima jenis segmen khas dalam siaran berita: iklan, cerita berita, adegan studio, transisi, dan visualisasi. Segmentasi yang akurat dari elemen-elemen ini meningkatkan pengelolaan dan aksesibilitas arsip berita. Studi ini mengembangkan dan mengevaluasi beberapa metode deep learning terbaru, termasuk model berbasis citra dan temporal seperti ResNet, ViViT, Audio Spectrogram Transformer (AST), serta arsitektur multimodal yang menggabungkan berbagai modalitas. Pelatihan dan evaluasi dilakukan menggunakan dataset yang diberi anotasi secara hati-hati yang terdiri dari 41 video berita, yang dibagi menjadi 1. 832 klip adegan, masing-masing diberi label sesuai dengan lima kelas segmen, sehingga menjadi dasar yang kokoh untuk penilaian algoritma. Classifier di uji coba berdasarkan akurasi, efisiensi komputasi, dan keberterapan di dunia nyata. Hasil utama menunjukkan bahwa classifier berbasis citra, terutama ResNet, mengungguli model temporal yang lebih kompleks dalam akurasi klasifikasi, dengan mencapai tingkat keberhasilan sebesar 84, 34%.

Angka ini melebihi model seperti ViViT, yang mengintegrasikan data temporal tetapi memerlukan sumber daya komputasi yang lebih besar. Kinerja kuat ResNet, beserta kebutuhan sumber daya yang lebih rendah, membuatnya praktis untuk pengolahan media dalam skala besar. Yang menarik, tugas klasifikasi binari untuk transisi dan iklan mencapai akurasi tinggi masing-masing sebesar 94, 23% dan 92, 74%, menegaskan manfaat classifier khusus untuk tugas seperti deteksi komersial dan rangkuman konten. Penelitian ini memberikan wawasan penting tentang arsitektur deep learning untuk segmentasi video berita. Meskipun model temporal secara teori memberikan konteks yang lebih kaya melalui informasi gerak dan urutan, studi ini menunjukkan bahwa classifier citra satu frame dapat mencapai kinerja yang sebanding atau bahkan lebih baik dengan kompleksitas yang lebih rendah—sebuah faktor penting untuk organisasi otomatis konten secara skala besar dan efisien. Secara praktis, temuan ini menguntungkan industri media dengan memungkinkan peningkatan pengarsipan melalui repositori video yang terorganisasi, memfasilitasi penyajian konten yang dipersonalisasi dengan mengekstrak segmen relevan sesuai kebutuhan pengguna, serta mendukung pencarian video cerdas yang mampu menemukan konten tertentu dalam arsip berita yang luas. Kesimpulannya, studi ini menunjukkan potensi classifier deep learning berbasis citra, khususnya ResNet, untuk segmentasi video berita yang efektif. Akurasi tinggi dan penggunaan sumber daya yang efisien menawarkan solusi menjanjikan untuk organisasi konten otomatis dalam aplikasi media. Karya ini menjadi fondasi bagi penelitian masa depan yang mengeksplorasi metode multimodal dan penyempurnaan classifier guna meningkatkan kinerja dan fleksibilitas teknologi segmentasi video berita.