Perancangan Sistem Pendeteksi Berita Hoax Menggunakan Algoritma Levenshtein Distance Berbasis Php
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
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.
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,003 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,002 | 0,002 |
| Méta-épidémiologie (sens large) | 0,002 | 0,001 |
| Bibliométrie | 0,001 | 0,003 |
| Études des sciences et des technologies | 0,002 | 0,001 |
| Communication savante | 0,003 | 0,005 |
| Science ouverte | 0,007 | 0,003 |
| Intégrité de la recherche | 0,001 | 0,003 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,001 |
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 découle