KLASIFIKASI ARTIKEL BERBAHASA INDONESIA UNTUK MENDETEKSI CLICKBAIT MENGGUNAKAN METODE NAÏVE BAYES

ALI, FAHNUR YAVI (2017) KLASIFIKASI ARTIKEL BERBAHASA INDONESIA UNTUK MENDETEKSI CLICKBAIT MENGGUNAKAN METODE NAÏVE BAYES. Sarjana thesis, Sekolah Tinggi Informatika dan Komputer Indonesia(STIKI) MALANG.

	Text ABSTRAK.docx Download (16kB)
	Text BAB I.docx Restricted to Registered users only Download (58kB)
	Text BAB V.docx Restricted to Registered users only Download (15kB)

Abstract

Kata kunci : naïve bayes, klasifikas, artikel berbahasa indonesiai, clickbait. Clickbait menjadi salah satu cara untuk mencari pendapatan dengan meningkatkan traffic pembaca dan pengunjung. Semakin banyak pengunjung situs, semakin banyak pula kemungkinan untuk mendapatkan pendapatan dari situs tersebut. Ciri - ciri judul berupa clickbait adalah penggunaan kalimat yang hiperbola sehingga membuat pembaca tertarik untuk mengunjungi situs tersebut. Banyak pengguna clickbait yang tidak mengutamakan kepuasan pembaca berita dengan cara menampilkan judul yang terkesan melebih – lebihkan, atau mengada – ada, tetapi isi konten tidak sesuai dengan yang tertera pada judul berita. Eksperimen yang dilakukan untuk mengkalsifikasi artikel clickbait berbahasa indonesia menggunakan metode naïve bayes classifier dengan menggunakan sampel dari judul berita online yang di ambil dari beberapa situs website. Selain itu juga melihat jumlah like dan share berita berdasarkan kategori yang sudah ditentukan yaitu clickbait dan bukan clickbait. Diharapkan dengan adanya laporan tugas akhir ini secara umum dapat membantu pembaca berita online dalam mengklasifikasi artikel clickbait dan bukan clickbait, untuk penyedia berita online dapat mengembangkan inovasi dalam penulisan berita agar dapat mengoptimalkan jumlah like dan share pada artikel berita, dan secara khusus untuk pembaca laporan tugas akhir ini dapat mengetahui tingkat keakurasian metode Naïve Bayes Classifier dalam mengklasifikasi artikel berita clickbait, serta dapat mengembangkan program menjadi jauh lebih baik lagi.

Item Type:	Thesis (Sarjana)
Subjects:	Computing methodologies > Machine learning
Divisions:	Engineering Sciences
Depositing User:	Unnamed user with username editor_perpustakaan
Date Deposited:	12 Jul 2019 02:42
Last Modified:	12 Jul 2019 02:42
URI:	http://repository.stiki.ac.id/id/eprint/343

Actions (login required)

View Item