Deteksi Clickbait pada Judul Berita Berbahasa Indonesia dengan Berbagai Strategi Prompting pada Large Language Model

Oleh :
Nandhika Rega Rohadi - L0122120 - Fak. Teknologi Informasi dan Sains Data

Deteksi clickbait pada judul berita merupakan salah satu tugas penting dalam bidang Natural Language Processing (NLP) yang berkaitan dengan kualitas informasi dan kredibilitas jurnalisme digital. Meskipun pendekatan machine learning dan deep learning tradisional telah menunjukkan kinerja yang baik dalam mendeteksi clickbait, metode tersebut masih memiliki keterbatasan berupa ketergantungan pada data beranotasi dalam jumlah besar serta kebutuhan sumber daya komputasi yang signifikan untuk proses pelatihan model. Berbeda dengan pendekatan sebelumnya, Large Language Models (LLMs) memungkinkan penyelesaian tugas klasifikasi melalui teknik zero-shot dan few-shot prompting tanpa memerlukan pelatihan ulang model. Namun, efektivitas LLM sangat dipengaruhi oleh konfigurasi prompt yang digunakan. Di sisi lain, strategi prompting yang diperkaya dengan informasi linguistik masih belum banyak dievaluasi pada domain non-Inggris, khususnya untuk judul berita berbahasa Indonesia. Penelitian ini bertujuan untuk menganalisis kinerja berbagai strategi prompting pada LLM dalam mendeteksi judul berita clickbait berbahasa Indonesia. Untuk mencapai tujuan tersebut, penelitian ini mengevaluasi model Llama 4 menggunakan dataset CLICK-ID dengan berbagai kombinasi prompt biasa (plain prompting) dan prompt yang diperkaya informasi linguistik, baik dalam skenario zero-shot maupun few-shot, serta teknik inferensi lanjutan berupa self-consistency, weighted self-consistency, dan Self-Refine. Kinerja model diukur menggunakan metrik Accuracy dan Macro F1-score, serta dibandingkan dengan model IndoBERT yang telah melalui proses fine-tuning sebagai model pembanding. Hasilivpenelitian menunjukkan bahwa pendekatan prompting pada LLM dapat digunakan secara efektif untuk tugas klasifikasi clickbait berbahasa Indonesia. Penggunaan linguistic prompting yang dikombinasikan dengan few-shot menghasilkan kinerja terbaik, dengan nilai akurasi sebesar 0,90 dan Macro F1-score sebesar 0,89.