Implementasi Metode Multinomial Naive Bayes dalam Klasifikasi Judul Berita Clickbait
DOI:
https://doi.org/10.61132/neptunus.v2i3.249Keywords:
Multinomial Naïve Bayes, Grid Search Optimization, Classification, Clickbait NewsAbstract
This research aims to classify news headlines into clickbait and non-clickbait using the Multinomial Naive Bayes method. The data used comes from the dataset CLICK-ID: A Novel Dataset for Indonesian Clickbait Headlines. The research process involves stages of data collection, preprocessing, feature extraction, model training, model evaluation, and result analysis. The test results show that the Multinomial Naive Bayes algorithm consistently produces an accuracy rate of around 78%. Optimization using Grid Search did not result in an accuracy improvement. However, there was an improvement in the recall value for the non-clickbait class from 76% to 80%. The best parameter found was an alpha of 0.15. Therefore, the Multinomial Naive Bayes algorithm can be effectively used to address the problem of classifying clickbait news headlines, with the potential to contribute to clickbait prevention efforts in the future.
References
Afandi, W., Saputro, S. N., Kusumaningrum, A. M., Ardiansyah, H., Kafabi, M. H., & Sudianto, S. (2022). Klasifikasi Judul Berita Clickbait menggunakan RNN-LSTM. Jurnal Pengembangan IT, 85-89.
Alhaq, Z., Mustopa, A., Mulyatun, S., & Santoso, J. D. (2021). Penerapan Metode Support Vector Machine Untuk Analisis Sentimen Pengguna Twitter. Jurnal Sistem Informasi dan Manajemen, 44-49.
Annur, C. M. (2023, Juni Jumat). Databooks. Diambil kembali dari databooks: https://databoks.katadata.co.id/datapublish/2023/06/16/meski-trennya-turun-media-online-tetap-jadi-sumber-berita-utama-masyarakat-indonesia
Betseda. (2020). Peningkatan Optimasi Sentimen dalam Pelaksanaan Proses Pemilihan Presiden Berdasarkan Opini Publik dengan Menggunakan Algoritma Naïve Bayes dan Particle Swarm Optimization. pp. 101-114.
Cios, K. J., Pedrycz, W., S., R., W., & Kurgan, L. A. (2007). Data Mining A Knowledge Discovery Approach. Springer.
Dewi, F. K., & Aji, T. P. (2021). Klasifikasi Berita Menggunakan Metode Multinomial Naïve Bayes. SCAN, 1-8.
Gupta, V., & Lehal, G. S. (2009). A Survey of Text Mining Techniques and Application. Journal of Emerging.
Hadiyat, Y. D. (2019). Clickbait di Media Online Indonesia. Pekommas, 1-10.
Heliyanti, S. (2022). Penerapan Model Klasifikasi Metode Naive Bayes Terhadap 38 Penggunaan Akses Internet. Jurnal Riset Sistem Informasi Dan Teknologi Informasi.
Herwijayanti, B., Ratnawati, D. E., & Muflikhah, L. (2018). Klasifikasi Berita Online dengan menggunakan Pembobotan TF-IDF dan Cosine Similarity. Jurnal Pengembangan Teknologi Informasi dan Ilmu Komputer, 306-312.
Hovipah, M., Hearani, E., Jasril, & Syafria, F. (2023). Klasifikasi Clickbait Menggunakan Transformers. Jurnal Computer Science and Information Technology, 172-181.
Indraloka, D. S., & Santosa, B. (2017). Penerapan Text Mining untuk Melakukan Clustering Data Tweet Shopee Indonesia. Jurnal Sains dan Seni ITS, 2337-3520.
Kusumanongrat, H., & Kusumaningrat, P. (2005). Jurnalistik: Teori dan Praktik. Bandung: Remaja Rosdakarya.
Maulidi, R., Ayilillahi, M. F., Isyiriyah, L., & Palandi, J. F. (2018). PENERAPAN NEURAL NETWORK BACKPROGPAGATION UNTUK KLASIFIKASI ARTIKEL CLICKBAIT. Seminar Nasional FST, 751-757.
Mihalcea, R. (2007). Advanced Approaches to Analyzing Unstructured Data. Dalam R. Feldman, & J. Sanger, The Text Mining Handbook (hal. 125-127). Cambridge: Computational Linguistics.
Mustofa, H., & Mahfudh, A. A. (2019). Klasifikasi Berita Hoax Dengan Menggunakan Metode Naive Bayes. Walisongo Journal of Information Technology.
Downloads
Published
How to Cite
Issue
Section
License
Copyright (c) 2024 Neptunus: Jurnal Ilmu Komputer Dan Teknologi Informasi
This work is licensed under a Creative Commons Attribution-ShareAlike 4.0 International License.
