Situs Berita di Indonesia ada bermacam-macam. Umumnya penyedia layanan berita menggunakan tata bahasa baku, bukan bahasa yang sehari-hari kita pakai untuk berkomunikasi. Pembaca terkadang salah memahami isi berita. Pembuat berita biasanya menggunakan bahasa yang sesuai dengan tata bahasa baku. Hal ini bisa menimbulkan berbagai pemahaman yang berbeda dari pembaca berita. Dengan proses klasifikasi (taksonomi), berita yang didapat dari situs-situs berita akan di ekstrak menjadi beberapa bagian. Dalam aplikasi ini proses ekstraksi berita terbagi menjadi dua bagian yaitu ekstraksi data
kosakata dan eksraksi data kalimat yang nantinya akan dijadikan sebuah basis data. Data kosakata dibagi menjadi lima kategori yaitu kategori orang, kategori perusahaan, kategori organisasi, kategori geolokasi dan
kategori topik. Sedangkan data kalimat merupakan penjabaran dari kalimat berpola SPOK ditambah
pelengkap. Proses ekstraksi dilakukan dengan manual. Data akan disajikan dalam bentuk tag untuk data
kosakata dan dalam bentuk daftar data kalimat. Dengan proses ekstraksi data, diharapkan aplikasi
ini dapat menyediakan data taksonomi dan data kalimat yang dapat digunakan dalam proses NLP (Natural Language Processing) untuk teks berbahasa Indonesia.