Mendeteksi Clickbait Headlines Menggunakan Machine Learning RNN dan Naive Bayes

Jang, Antonius Khevin (2023) Mendeteksi Clickbait Headlines Menggunakan Machine Learning RNN dan Naive Bayes. Bachelor Thesis thesis, Universitas Multimedia Nusantara.

Preview	PDF HALAMAN_AWAL.pdf Download (2MB) | Preview
Preview	PDF DAFTAR_PUSTAKA.pdf Download (497kB) | Preview
Preview	PDF BAB_I.pdf Download (508kB) | Preview
Preview	PDF BAB_II.pdf Download (754kB) | Preview
Preview	PDF BAB_III.pdf Download (706kB) | Preview
	PDF BAB_IV.pdf Restricted to Registered users only Download (1MB)
Preview	PDF BAB_V.pdf Download (429kB) | Preview
	PDF LAMPIRAN.pdf Restricted to Registered users only Download (1MB)

Abstract

Fenomena clickbait menjadi salah satu cara paling efektif untuk meningkatkan jumlah pembaca di website berita. Saat jumlah user ke situs meningkat, pendapatan situs tersebut juga meningkat. Namun teknik clickbait ini seperti pedang bermata dua. Banyak orang yang tidak menyukai teknik ini karena kurangnya informasi pada judul dan isi artikel yang mereka baca. Penelitian ini bertujuan untuk mendeteksi artikel clickbait pada situs berita Indonesia seperti detik.com menggunakan algoritma Python dan machine learning. Itu juga melakukan pembelajaran mendalam dengan mendeteksi apakah judul yang dimasukkan adalah clickbait atau non-clickbait? Hasil yang dimasukkan dengan akurasi 100% disebut clickbait; Kurang dari 100% akan di label sebagai non-clickbait. Dengan membandingkan hasil pengujian sistem algoritma Naïve Bayes dan juga Recurrent Neural Network dengan dataset yang ada, Naïve Bayes mendapatkan performa training 84% dan testing 72% RNN mendapatkan performa yang leibh bagus dengan akurasi 86%, dan loss 32%

Item Type:	Thesis (Bachelor Thesis)
Keywords:	clickbait, machine learnings, python, naïve bayes, RNN
Subjects:	000 Computer Science, Information and General Works > 000 Computer Science, Knowledge and Systems > 006 Special Computer Methods > 006.3 Artificial Intelligence, Machine Learning, Pattern Recognition, Data Mining
Divisions:	Faculty of Engineering & Informatics > Information System
SWORD Depositor:	Administrator UMN Library
Depositing User:	Administrator UMN Library
Date Deposited:	30 Jun 2023 09:46
Last Modified:	03 Aug 2023 06:57
URI:	https://kc.umn.ac.id/id/eprint/25527

Actions (login required)

View Item