Perancangan Sistem Pendeteksi Berita Hoax Menggunakan Algoritma Levenshtein Distance Berbasis Php
Notice bibliographique
Résumé
Di era 4.0 dimana Internet menjadi bagian penting dalam kehidupan saat ini, informasi dapat dengan mudah di akses kapanpun dan dimanapun. Namun tidak seluruh informasi yang disebarkan melalui internet berupa fakta. Data yang dipaparkan oleh Kementrian Komunikasi dan Informatika berdsarkan survey yang dilakukan pada tahaun 2018 menyebut sebanyak 800.000 situs di Indonesia terindikasi penyebar berita non-fakta atau hoax. Akibat yang ditimbulkan berita hoax sangat berbahaya karena menyerang pikiran alam bawah sadar manusia, sehingga sangat dibutuhkan sistem yang dapat mendeteksi berita hoax. Dalam penelitian ini digunakan database yang berisi dokumen berita hoax. Algoritma yang diterapkan adalah algoritma TF-IDF untuk mengukur bobot suatu kata dalam dokumen hoax dan dikombinasikan dengan algoritma Levenshtein Distance (LD) untuk mengukur jarak antar kata dalam dokumen. Penerapan Metode Levenshtein Distance dalam Sistem Deteksi Hoaxmemiliki beberapa tahap yang dimulai dengan tahap pra-pemrosesan kata (prepocessing text) dilanjutkan dengan tahap perhitungan TF-IDF dankemudian tahap perhitungan jarak minimum antar kata menggunakan algoritmaLevenshtein Distance. Hasil batas 0,1 pada 40 dokumen yang sudah terklasifikasi sebagai data uji memiliki nilai Precision, Recall dan Accuracy yang tinggi, yaitu Precision1; Recall0,71;dan Accuracy80%.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,002 | 0,006 |
| Méta-épidémiologie (sens strict) | 0,002 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,002 | 0,002 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,004 | 0,003 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,015 | 0,009 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».