Klasifikasi Berita Clickbait Menggunakan K-Nearest Neighbor (KNN)

Authors

  • Riska Sagita Universitas Singaperbangsa Karawang
  • Ultach Enri Universitas Singaperbangsa Karawang
  • Aji Primajaya Universitas Singaperbangsa Karawang

DOI:

https://doi.org/10.33633/joins.v5i2.3705

Abstract

Clickbait menjadi salah satu cara untuk mencari uang dengan meningkatkan traffic pengunjung dan pengunjung. Praktik clickbait pada saat ini sudah merambah pada dunia jurnalistik sedangkan sistem berita media online berbeda dengan media cetak. Sama halnya dengan media online lainnya, clickbait ini memberikan pengaruh besar terhadap penyedia berita karena rasa keingintahuan dari para pembaca dan sulitnya para pembaca memilih berita clickbait atau bukan clickbait. Praktik clickbait ini sendiri sangat di andalkan oleh penyedia situs berita yang menggunakan judul-judul yang menjebak untuk menarik para pembaca. Berdasarkan masalah tersebut dilakukan penelitian untuk mengklasifikasikan berita clickbait menggunakan metode K-Nearest Neighbors (K-NN).Dari hasil penelitian yang dilakukan, diperoleh hasil terbaik pada jumlah k = 11 dengan menggunakan skenario 1 pada data pembagian dengan jumlah data sebanyak 800 data dan 200 data uji yang menghasilkan akurasi sebesar 71%, ketepatan 72%, dan ingat 71%. Hal ini menunjukkan bahwa klasifikasi berita clickbait dapat di klasifikasikan menggunakan K-Nearest Neighbor.

References

A. F. Yavi, “Klasifikasi Artikel Berbahasa Indonesia untuk Mendeteksi Clickbait menggunakan Metode Naïve Bayes,” J. Inf. Technol., vol. 06, no. 01, pp. 141–147, 2018.

Rizky and M. R. Kertanegara, “Penggunaan Clickbait Headline pada Situs Berita dan Gaya Hidup Muslim Dream . co . id,” Mediat. J. Komun., vol. 11, no. June 2017, pp. 31–43, 2018.

Y. Yamlean, “Clickbait Journalism Dan Pelanggaran Etika Jurnalistik (Studi Kasus Pelanggaran Etika Jurnalistik Dalam Praktik Clickbait Pada Media Online Jogja.Tribunnews.Com Periode 1 Maret 2019 - 30 April 2019),” Universitas mercu buana yogyakarta, 2019.

L. A. Utami, “Analisis Sentimen Opini Publik Berita Kebakaran Hutan Melalui Komparasi Algoritma Support Vector Machine Dan K-Nearest Neighbor Berbasis Particle Swarm Optimization,” J. Pilar Nusa Mandiri, vol. 13, no. 1, pp. 103–112, 2017.

S. kartika Lidya, O. S. Sitompul, and S. Efendi, “Sentiment Analysis Pada Teks Bahasa Indonesia Menggunakan Support Vector Machine (Svm) Dan K-Nearest Neighbor (K-Nn),” Semin. Nas. Teknol. Inf. dan Multimed. 2015, no. maret, pp. 1–8, 2015.

A. A. Irfa and M. S. Mubarok, “Klasifikasi Topik Berita Berbahasa Indonesia Menggunakan k-Nearest Neighbor,” e-Proceeding Eng., vol. 5, no. 2, pp. 3631–3640, 2018.

F. N. Rozi and D. H. Sulistyawati, “Klasifikasi Berita Hoax Pilpres Menggunakan Metode Modified K-Nearest Neighbor Dan Pembobotan Menggunakan Tf-Idf,” KONVERGENSI, vol. 15, no. Januari, 2019.

S. Nur and K. Fithriasari, “Klasifikasi Berita Online Menggunakan Metode Support Vector Machine dan K- Nearest,” J. Sains dan Seni ITS, vol. 5, no. 2, pp. 2337–3520, 2016.

A. R. Prasetyo, Idriati, and P. P. Adikara, “Klasifikasi Hoax Pada Berita Kesehatan Berbahasa Indonesia Dengan Menggunakan Metode Modified K-Nearest Neighbor,” J. Pengemb. Teknol. Inf. dan Ilmu Komput., vol. 2, no. 12, pp. 7466–7473, 2018.

Z. U. Siregar, R. R. A. Siregar, and R. Arianto, “Klasifikasi Sentiment Analysis Pada Komentar Peserta Diklat Menggunakan Metode K-Nearest Neighbor,” J. Kilat, vol. 8, no. 1, pp. 81–92, 2019.

B. Herwijayanti, D. E. Ratnawati, and L. Muflikhah, “Klasifikasi Berita Online d engan menggunakan Pembobotan TF-IDF dan Cosine Similarity,” J. Pengemb. Teknol. Inf. dan Ilmu Komput., vol. 2, no. 1, pp. 306–312, 2018.

A. Khoirunnisa, B. Irawan, and R. M Rumani, “Analisis dan implementasi perbandingan algoritma c.45 dengan naïve bayes untuk prediksi penawaran produk,” e-Proceeding Eng., vol. 3, no. 3, pp. 5029–5035, 2016.

Downloads

Published

2020-11-30

How to Cite

[1]
R. Sagita, U. Enri, and A. Primajaya, “Klasifikasi Berita Clickbait Menggunakan K-Nearest Neighbor (KNN)”, Journal of Information System, vol. 5, no. 2, pp. 230–239, Nov. 2020.