Klasifikasi Judul Video Youtube Mengandung Clickbait Menggunakan Metode Naive Bayes

Widyadana Abidi Ahmad, Septiyawan Rosetya Wardhana

Abstract


Konten digital semakin mendominasi dunia media, dan platform seperti YouTube telah menjadi wahana utama bagi pembuat konten untuk berbagi informasi, hiburan, dan pengetahuan. Sayangnya, strategi clickbait telah menjadi masalah yang meresahkan di platform ini. Clickbait merujuk pada praktik yang menarik perhatian pengguna melalui judul yang menarik, eksplisit, kontrovesi atau menyesatkan, dengan tujuan meningkatkan jumlah klik tanpa mempertimbangkan kualitas atau relevansi konten yang sebenarnya. Akibatnya, pengalaman pengguna dapat terganggu dan kepercayaan terhadap platform serta pembuat konten dapat terkikis. Permasalahan dalam penelitian ini adalah pengembangan solusi untuk mengidentifikasi judul video Youtube yang mengandung unsur clickbait dengan menggunakan metode klasifikasi Naive Bayes. Dataset yang digunakan dalam penelitian ini terdiri dari 200 data training judul-judul video Youtube yang telah diberi label clickbait atau non-clickbait oleh sekelompok penilai pakar. Proses penelitian dengan 50 data testing melibatkan beberapa tahap, termasuk pra-pemrosesan data untuk membersihkan dan mengolah teks judul, ekstraksi fitur menggunakan pendekatan numerik dari teks, serta pelatihan dan evaluasi model Naive Bayes. Hasil pengujian yang telah dilakukan menghasilkan nilai akurasi 64%, presisi 61%, recall 88%, dan F1-score (F.Measure) 71%. Eksperimen ini juga mempertimbangkan penggunaan teknik pengoptimalan model untuk meningkatkan kinerja klasifikasi. Meskipun terdapat beberapa batasan, seperti variasi dalam definisi clickbait dan pengaruh dinamika perubahan tren konten, metode ini memberikan kontribusi positif dalam menangani permasalahan clickbait di platform Youtube.

Keywords


text classification, Clickbait, YouTube, Naive Bayes method ,Accuracy , user experience, digital content

Full Text:

PDF

References


Gothankar, R., Troia, F. D., & Stamp, M. (2021). Clickbait Detection in YouTube Videos. In arXiv (Cornell University). Cornell University. https://doi.org/10.48550/arxiv.2107.12791

Rony, M. M. U., Hassan, N., & Yousuf, M. (2017). Diving Deep into Clickbaits: Who Use Them to What Extents in Which Topics with What Effects? In arXiv (Cornell University). Cornell University. https://doi.org/10.48550/arxiv.1703.09400

Sagita, R., Enri, U., & Primajaya, A. (2020). Klasifikasi Berita Clickbait Menggunakan K-Nearest Neighbor (KNN). JOINS (Journal of Information System), 5(2), 230–239. https://doi.org/10.33633/joins.v5i2.3705

Puji Lestari, D. W., Perdana, R. S., & Adikara, P. P. (2019). Klasifikasi Video Clickbait pada YouTube Berdasarkan Analisis Sentimen Komentar Menggunakan Learning Vector Quantization ( LVQ ) dan Lexicon- Based Features. Jurnal Pengembangan Teknologi Informasi Dan Ilmu Komputer (J-PTIIK) Universitas Brawijaya, 3(2), 8772–8777. http://j-ptiik.ub.ac.id

Raschka, S. (2014). Naive Bayes and Text Classification I - Introduction and Theory. In arXiv (Cornell University). Cornell University. https://doi.org/10.48550/arxiv.1410.5329

Yavi, A. F. (2018). Klasifikasi Artikel Berbahasa Indonesia untuk Mendeteksi Clickbait menggunakan Metode Naïve Bayes. Journal of Chemical Information and Modeling, 53(9), 1689–1699.

Agustina, D. A., Subanti, S., & Zukhronah, E. (2021). Implementasi Text Mining Pada Analisis Sentimen Pengguna Twitter Terhadap Marketplace di Indonesia Menggunakan Algoritma Support Vector Machine. Indonesian Journal of Applied Statistics, 3(2), 109. https://doi.org/10.13057/ijas.v3i2.44337

Kartikasari, T. S., Setiawan, H., & Lucky Tirma Irawan, P. (2020). Implementasi Text Mining Untuk Analisis Opini Publik Terhadap Calon Presiden. Jurnal Simantec, 7(1), 39–47. https://doi.org/10.21107/simantec.v7i1.6528

Chandra, W. N. (2016). Spam Filtering Dengan Metode Pos Tagger Dan Klasifikasi Naïve Bayes. Jurnal Ilmiah Teknologi Informasi Asia, 47-55.

R. K. Hapsari, A. H. Salim, B. D. Meilani, T. Indriyani, and A. Rachman, ‘Comparison of the Normalization Method of Data in Classifying Brain Tumors with the k-NN Algorithm’, in The 2nd International Conference on Neural Networks and Machine Learning, Atlantis Press International BV, 2023, pp. 21–29. doi: 10.2991/978-94-6463-174-6_3.




DOI: https://doi.org/10.31284/j.kernel.2023.v4i2.7520

Refbacks

  • There are currently no refbacks.


Copyright (c) 2025 Septiyawan Rosetya Wardhana, Rinci Kembang Hapsari

Creative Commons License
This work is licensed under a Creative Commons Attribution 4.0 International License.

Diindeks oleh:
Google Scholar logo Dimensions Logo