KLASIFIKASI BERITA CLICKBAIT MENGGUNAKAN METODE BIDIRECTIONAL LONG SHORT TERM MEMORY DENGAN REPRESENTASI FASTTEXT

Persaingan ketat antar media dalam menarik pembaca memicu berkembangnya berita clickbait, yaitu artikel dengan judul sensasional yang sering menyesatkan. Deteksi clickbait cukup sulit karena gaya bahasanya yang bervariasi. Penelitian ini menggunakan metode BILSTM dan Fasttext untuk meningkatkan akurasi dalam mengklasifikasikan judul berita menjadi clickbait atau non-clickbait. BILSTM dipilih karena mampu membaca urutan kata dari dua arah, sedangkan Fasttext digunakan untuk mengubah kata menjadi vektor yang memperhatikan makna. Dataset yang digunakan berisi 1.320 judul berita, terdiri dari 613 clickbait dan 705 non-clickbait, yang dibagi menjadi 80% data latih dan 20% data uji. Hasil pengujian menunjukkan bahwa model mencapai akurasi tertinggi sebesar 76.14% dengan konfigurasi parameter yang efisien, yaitu 32 neurons, dropout 0.3, dense 32, epoch 40, dan batch size 16. Model ini juga menghasilkan nilai precision 0.75, recall 0.72, dan F1-score 0.73, yang menunjukkan keseimbangan performa dalam mendeteksi clickbait dan non-clickbait. Kombinasi akurasi tinggi dan stabilitas nilai evaluasi menjadikan skenario ini sebagai pilihan terbaik untuk implementasi model klasifikasi berita clickbait.