Nama: Anas Fikri Hanif
Username dicoding: anashaneef
| Deskripsi | |
|---|---|
| Dataset | News Clickbait Dataset |
| Masalah | Clickbait adalah judul konten yang dibuat untuk menarik perhatian dan mendorong pengunjung untuk mengeklik tautan ke halaman web tertentu. Clickbait disebut juga tautan jebakan pada judul konten yang dibuat sedemikian rupa guna menarik perhatian pembaca. Namun, isi kontennya biasa saja dan terkadang tidak relevan dengan judulnya. Oleh karenanya banyak pembaca yang tertipu dan kehilangan waktunya untuk melihat ataupun membaca konten yang tidak sesuai dengan judulnya. |
| Solusi Machine Learning | Melihat betapa merugikannya konten clickbait, maka sangat dibutuhkan sebuah machine learning yang dapat mengklasifikasi apakah sebuah judul konten termasuk clickbait atau tidak. |
| Metode pengolahan | Data Ingestion : Dalam tahapan ini dilakukan pengumpulan dan perubahan format data yang sesuai dan dapat diproses oleh komponen lain dalam machine learning pipeline. Data Validation : Pada tahap ini dilakukan pemeriksaan kualitas dan perubahan dari suatu data. Data Preprocessing : Pada tahap ini akan dilakukan pengubahan data mentah menjadi data yang siap digunakan untuk melatih model klasifikasi. Hyperparameter tuning : Pada tahap ini akan dipilih parameter-parameter terbaik untuk pelatihan model. Model Training : Pada tahap ini dilakukan pelatihan model klasifikasi untuk membedakan judul yang termasuk clickbait ataupun tidak. Model Evaluation : Pada tahap ini dilakukan evaluasi terhadap model yang telah dibuat sebelumnya dengan bantuan data uji. Evaluasi model ini digunakan untuk mengetahui seberapa akurat model dalam mengklasifikasi apakah sebuah judul termasuk clickbait atau tidak. |
| Arsitektur model | Model ini memanfaatkan layer TextVectorization yang berfungsi mengubah input berupa judul dengan tipe data string menjadi bentuk angka. Selanjutnya layer Embedding akan membantu untuk mencari kemiripan dalam sebuah kata untuk mengetahui sebuah kata termasuk ke dalam kategori kata positif atukah negatif. |
| Metrik evaluasi | Beberapa metrik yang digunakan untuk mengevaluasi seberapa baik model yang telah dibuat adalah BinaryAccuracy, TruePositive, FalsePositive, TrueNegative, dan FalseNegative. |
| Performa model | Performa model yang telah dibuat tergolong cukup baik karena telah mampu mengklasifikasikan apakah sebuah judul termasuk clickbait atau tidak dengan skor binary_accuracy sebesar 97,248 % |
React
Typescript
Django
Laravel
Facebook
Microsoft
Google
Alibaba
D3
Tencent