EVALUASI KOMBINASI N-GRAM DAN TF-IDF TERHADAP KINERJA VARIAN ALGORITMA NAÏVE BAYES DALAM KLASIFIKASI JUDUL BERITA CLICKBAIT PADA DATASET IMBALANCE

YAHYA AYYASH RABBANI, . (2026) EVALUASI KOMBINASI N-GRAM DAN TF-IDF TERHADAP KINERJA VARIAN ALGORITMA NAÏVE BAYES DALAM KLASIFIKASI JUDUL BERITA CLICKBAIT PADA DATASET IMBALANCE. Skripsi thesis, Universitas Pembangunan Nasional Veteran Yogyakarta.

	Text 123220117_Cover - YAHYA AYYASH RABBANI.pdf Download (122kB)
	Text 123220117_Abstrak - YAHYA AYYASH RABBANI.pdf Download (163kB)
	Text 123220117_Halaman Pengesahan - YAHYA AYYASH RABBANI.pdf Download (252kB)
	Text 123220117_Daftar Isi - YAHYA AYYASH RABBANI.pdf Download (155kB)
	Text 123220117_Daftar Pustaka - YAHYA AYYASH RABBANI.pdf Download (168kB)
	Text 1232220117_Fulltext - YAHYA AYYASH RABBANI.pdf Restricted to Repository staff only Download (1MB)

Abstract

Perkembangan media daring telah meningkatkan penyebaran informasi secara cepat, namun juga mendorong munculnya praktik clickbait yang menggunakan judul sensasional untuk menarik perhatian pembaca. Praktik ini dapat menurunkan kualitas informasi dan memengaruhi kredibilitas media. Oleh karena itu, diperlukan metode otomatis untuk mengklasifikasikan judul berita ke dalam kategori clickbait dan non-clickbait. Penelitian ini bertujuan untuk mengevaluasi pengaruh kombinasi N-Gram dan TF-IDF terhadap kinerja varian algoritma Naïve Bayes dalam klasifikasi judul berita clickbait pada dataset imbalance.
Penelitian menggunakan dataset berjumlah 8.613 judul berita berbahasa Indonesia yang terdiri dari 3.316 data clickbait dan 5.297 data non-clickbait. Tahapan penelitian meliputi preprocessing teks yang terdiri dari case folding, cleaning, tokenization, stopword removal, dan stemming. Selanjutnya dilakukan ekstraksi fitur menggunakan TF-IDF dengan dua variasi N-Gram, yaitu unigram dan bigram. Model klasifikasi yang digunakan adalah Multinomial Naïve Bayes, Bernoulli Naïve Bayes, dan Complement Naïve Bayes. Evaluasi model dilakukan menggunakan accuracy, precision, recall, dan F1-score.
Hasil penelitian menunjukkan bahwa kombinasi unigram dan Bernoulli Naïve Bayes menghasilkan performa terbaik dengan accuracy sebesar 83,52%, precision sebesar 83,55%, recall sebesar 83,52%, dan F1-score sebesar 83,20%. Sementara itu, seluruh model berbasis unigram menghasilkan performa yang lebih baik dibandingkan model berbasis bigram. Hasil ini menunjukkan bahwa representasi fitur unigram lebih efektif dalam menangkap karakteristik judul berita clickbait pada dataset yang digunakan. Penelitian ini membuktikan bahwa pemilihan representasi fitur memiliki pengaruh terhadap performa klasifikasi, serta menunjukkan bahwa Bernoulli Naïve Bayes merupakan varian yang paling optimal pada skenario penelitian ini.

Item Type:	Tugas Akhir (Skripsi)
Uncontrolled Keywords:	Clickbait, Naïve Bayes, Bernoulli Naïve Bayes, N-Gram, TF-IDF, Klasifikasi Teks
Subjek:	Q Science > QA Mathematics > QA75 Electronic computers. Computer science
Divisions:	Fakultas Teknik Industri > (S1) Informatika
Depositing User:	UPA Perpustakaan
Date Deposited:	10 Nov 2026 02:44
Last Modified:	10 Nov 2026 02:44
URI:	http://eprints.upnyk.ac.id/id/eprint/50232

Actions (login required)

View Item