Hasil Pencarian  ::  Simpan CSV :: Kembali

"Penelitian ini mengajukan sebuah model adopsi teknologi chatbot dengan pendekatan teori elaboration likelihood model. Konstruk peripheral yang diuji antara lain visual attractiveness, language mastery, dan reputation. Sementara konstruk central yang diuji adalah information quality. Teori technology acceptance model (TAM) dijadikan referensi untuk pengembangan model yang tidak hanya mengevaluasi model secara fungsional seperti perceived ease-of-use dan perceived usefulness tetapi juga secara social seperti perceived sociability. Instrumen penelitian dikembangkan dalam bentuk survei yang disebarkan secara daring dimana responden akan diberikan waktu untuk berinteraksi dengan chatbot dan kemudian mengevaluasi pengalaman yang dirasakan. Uji hipotesis dilakukan dengan analisis data responden sejumlah 392 data dengan menggunakan metode CB-SEM. Ditemukan bahwa teori ELM dapat diterapkan dalam konteks adopsi teknologi chatbot. Rute peripheral (visual attractiveness, language mastery, dan reputation) memiliki korelasi positif terhadap perceived sociability. Rute central memiliki korelasi positif yang kuat terhadap perceived usefulness dan korelasi positif yang moderat terhadap perceived ease-of-use. Perceived sociability dan perceived usefulness ditemukan dapat memprediksi intensi pengguna untuk berinteraksi secara kuat. Sementara perceived ease-of-use tidak memiliki efek yang signifikan terhadap intensi pengguna untuk interaksi berkelanjutan. Penelitian ini menguatkan penelitian-penelitian sebelumnya yang menemukan bahwa chatbot tidak hanya butuh penerimaan secara fungsional, namun juga sosial. Dengan hasil ini, pengembang dapat mengetahui bagaimana prioritas yang harus disusun dalam pengembangan chatbot yang digunakan secara berkelanjutan oleh penggunanya.

---

This study proposes a model for the adoption of chatbot technology using the Elaboration Likelihood Model (ELM) theory. Peripheral constructs that are tested in this study include visual attractiveness, language mastery, and reputation, while the central construct includes information quality. Technology Acceptance Model (TAM) is used as a reference for the development of this research model that discusses not only functional acceptance, such as perceived ease of use and perceived usefulness but also social acceptance (perceived sociability). Research instrument developed in the form of a survey distributed to respondents and will be given time to interact with the chatbot and then evaluate their experience. Hypothesis testing is done by analyzing the data of respondents amounting to 392 data using the CB-SEM method. It was found that ELM theory can be applied in the context of the adoption of chatbot technology. Peripheral route (visual attractiveness, language mastery, and reputation) have positive interactions with perceived sociability. The central route, information quality, has a strong positive correlation on perceived ease of use and perceived usefulness. Perceived sociability and perceived usefulness are found to be a predicting factor for intention to use, while perceived ease of use does not have a correlation with the intention to use. This research support previous studies that found that for a chatbot to be adopted needs not only functional acceptance but also social acceptance. With this result, chatbots developers can understand how to design a chatbot that will be used by its users."

"Penggunaan gawai untuk mendukung keseharian anak kini telah menjadi tren baru. Namun, penggunaan gawai oleh anak-anak tentunya perlu disertai dengan pengawasan orang tua. Penelitian ini bertujuan untuk mengetahui kebutuhan orang tua terhadap aplikasi berbasis mobile untuk mengontrol penggunaan gawai oleh anak-anak dan mendesain interaksi aplikasi tersebut. Metode yang digunakan adalah user-centered design dengan cara mengumpulkan data dan mengidentifikasi kebutuhan, membuat desain awal, mengevaluasi desain, serta melakukan perbaikan berdasarkan hasil evaluasi. Adapun pengumpulan data yang dilakukan antara lain adalah survei untuk mengidentifikasi kebutuhan pengguna, usability testing dan wawancara untuk mengevaluasi desain aplikasi, serta system usability scale (SUS) untuk mengukur usability aplikasi. Penelitian ini berhasil merancang desain interaksi aplikasi parental control dalam bentuk clickable-prototype. Hasil evaluasi menunjukkan bahwa meskipun belum sempurna, desain interaksi yang dikembangkan pada penelitian ini sudah dapat dikatakan memiliki usability yang baik.

---

The use of gadgets to support children's daily life has become a new trend. However, the use of devices by children certainly needs to be accompanied by parental supervision. This study aims to determine the needs of parents of mobile-based applications to control the use of gadgets by children and design the interaction of that applications. The method used is user-centered design by collecting data and identifying needs, making initial designs, evaluating designs, and making improvements based on evaluation results. Data collection included surveys to identify user needs, usability testing and interviews to evaluate the application design, and system usability scale (SUS) to measure usability. This study succeeded in designing the interaction design of a parental control application in the form of a clickable-prototype. The evaluation results indicate that although it is still not perfect, the interaction design developed in this study can already be said to have a good usability."

"Pada masa pandemi COVID-19, banyak orang kehilangan pekerjaan karena perusahaan tidak mampu meraih keuntungan seperti pada kondisi normal dan terpaksa mengurangi jumlah pekerjanya. Kondisi ini bisa meningkatkan tingkat kejahatan terutama karena banyak orang tidak memiliki pendapatan. Salah satu metode efektif untuk mencegah terjadinya tindak kejahatan adalah dengan memasang sistem keamanan rumah (home security), dengan salah satu metode yang mudah dilakukan adalah memasang sistem pengawasan (surveillance). Penelitian ini bertujuan membuat sistem pengawasan yang memanfaatkan metode pelacakan wajah dan identifikasi wajah. Sistem ini menggabungkan 3 modul, yaitu pelacak Discriminative Single-Shot Segmentation (D3S), pendeteksi wajah MTCNN, dan pengenal wajah VGGFace2 untuk membuat sistem yang mampu melacak wajah orang yang tertangkap di kamera pengawasan. Sistem yang diusulkan juga memiliki fitur notifikasi untuk memberitahu jika ada orang asing yang terlalu lama berada di area pengawasan. Sistem ini akan mengevaluasi video bacaan dari Raspberry Pi dan PiCamera selaku alat penangkap citra. Sistem ini dievaluasi menggunakan metrik precision, recall, F-score untuk deteksi dan pelacakan, fps untuk evaluasi kecepatan komputasi, dan confusion matrix dengan akurasi untuk evaluasi identifikasi wajah. Dari hasil uji coba, sistem berjalan dengan kecepatan komputasi rata- rata sebesar 2.64 fps. Hasil pendeteksian dan pelacakan menunjukkan performa dengan nilai F-score 0.541 untuk dataset yang dikumpulkan sendiri. Akurasi identifikasi wajah memberikan hasil sebesar 50 persen.

---

During the COVID-19 pandemic, many people lost their jobs because companies were unable to make profits as normal conditions and were forced to reduce the number of workers. This condition could lead to increase of crime rate, especially because many people do not have any income. One way to prevent crime effectively is to install a safe home security system, in which a surveillance system is the most basic and effective. This study aims to create a surveillance system using face detection, face identification and face tracking method. This system combines 3 modules, namely Discriminative Single- Shot Segmentation (D3S) tracker, MTCNN face detector, and VGGFace2 face recognizer to create a system capable of tracking the faces of people caught on surveillance camera(s). The proposed system also have a notification feature to tell the house owner if a stranger have been staying in surveillance area for too long. This system will evaluate video readings from the Raspberry Pi as the camera capture tool. The system is evaluated using metrics such as precision, recall, F-score for detection and tracking, fps for computational speed evaluation, and confusion matrix with accuracy for evaluating the facial identification. From the test result, the system runs with a computation speed of 2.64 fps. The detection and tracking results show the performance with an F-score of 0.541. Facial identification accuracy gave a result of 50 percent."

"Setiap tahun, ada sekitar 7.8 juta ton sampah plastik yang tidak dikelola di Indonesia. Metode yang banyak digunakan dalam pengolahan sampah tersebut adalah reduce, recycling, dan reusing. Dari ketiga metode tersebut, recycling menjadi solusi terbaik dalam penanganan sampah plastik karena kapasitas pengelolaan yang besar. Botol plastik menjadi jenis plastik yang paling banyak di recycling karena tingkat kemurnian material plastiknya tinggi. Namun, masalah terbesar dalam recycling sampah botol plastik adalah klasifikasi sampah plastik berdasarkan material penyusunya. Proses recycling saat ini sudah dimudahkan karena memanfaatkan machine learning. Machine learning dapat melakukan suatu pekerjaan tanpa harus diberi perintah berulang sehingga dapat dimanfaatkan untuk melakukan klasifikasi sampah botol plastik. Salah satu metode dalam Machine learning yang digunakan adalah Convolutional Neural Network karena dapat mengklasifikasikan sampah botol plastik PET, HDPE, LDPE, dan PP. Diperoleh akurasi testing PET terbaca sepuluh kali dari sepuluh percobaan sedangkan HDEP, LDPE, dan PP terbaca sembilan kali dari sepuluh percobaan. Selain itu, metode tersebut juga mampu mengklasifikasi sampah botol plastik dengan beberapa kondisi yaitu botol yang menggunakan tutup, kotor, serta remuk. Diperoleh akurasi testing untuk ketiga kondisi terbaca sepuluh kali dari sepuluh percobaan.

---

There are around 7.8 million tons of unmanaged plastic waste in Indonesia each year. Solving the problem there are three method that are widely used in processing the waste namely reduce, recycle, and reuse. From those methods, Recycling is the best solution in handling plastic waste because of its large management capacity. Plastic bottles are the type of plastic that is most widely recycled because of the high level of purity of the plastic material. However, the biggest problem in recycling plastic bottle waste is the classification of plastic waste based on its materials. The recycling process is now much easier because it utilizes machine learning. Machine learning can do a job without having to be given repeated orders so that it can be used to classify plastic bottle waste. One of the machine learning methods used is convolutional neural network because it can classify PET, HDPE, LDPE, and PP plastic bottles. PET testing accuracy was read ten times from ten times testing while HDPE, LDPE, and PP read nine times from ten times testing. In addition, this method is also able to classify plastic bottle waste under several conditions, namely using a lid, dirty, and crumbling. Obtained testing accuracy for all three condition read ten times from ten time testing."

"Morphological analyzer merupakan sebuah alat yang digunakan untuk melihat bagaimana proses pembentukan kata, menentukan kata dasar pembentuk, dan menge- tahui informasi linguistik yang terkandung pada suatu kata. Universal Dependencies (UD) merupakan sebuah framework acuan yang digunakan pada proses anotasi morfologi untuk berbagai bahasa. Sayangnya, belum ditemukan morphological analyzer untuk bahasa Indonesia yang menerapkan pedoman UD ini. Penelitian ini mengembangkan morphological analyzer untuk bahasa Indonesia yang diberi nama Aksara. Aksara dibangun menggunakan finite state compiler bernama Foma yang digunakan pada Mor- phind, morphological analyzer pada penelitian sebelumnya. Foma dapat memodelkan aturan-aturan pembentukan kata dalam bentuk finite state transducer. Pada Aksara juga dikembangkan tokenizer yang hasilnya menyesuaikan dengan hasil tokenisasi pada treebank UD. Implementasi Aksara menerapkan pedoman UD versi terbaru yaitu UDv2. Pengujian Aksara dilakukan dengan membandingkan performa Aksara dengan Morhpind. Hasil pengujian menunjukkan bahwa komponen tokenizer Aksara berhasil memiliki akurasi tokenisasi sebesar 96.60%, meningkat 23.89% dari akurasi tokenisasi oleh Mor- phind. Evaluasi POS tagging Aksara juga berhasil melewati hasil pemetaan Morphind dengan akurasi F1-score sebesar 87%, dengan kenaikan relatif sebesar 18% dari baseline.

---

Morphological analyzer is a tool used to do an analysis on word formation process, to identify the lemma for each word, and to do an analysis on the linguistic information. Universal Dependencies (UD) is a framework commonly used in morphological annota- tion process. Unfortunately, there is not a single Indonesian morphological analyzer that applies UDv2. This research is a development of morphological analyzer for Indonesian language named Aksara. Aksara was build using finite state compiler named Foma, which was used in Morphind, the previous research on Indonesian morphological analyzer. Foma can model the rules of word formation which is represented in the form of finite state transducer. This research also develops a tokenizer which its results are adjusted to the tokenization example on UD treebank. The Aksara implementation applies the latest UD guidelines, UDv2. Testing of Aksara is done by comparing the performance of Aksara with Morphind. The test results show that the tokenizer component of Aksara managed to have a tokenization accuracy of 96.60%, an increase of 23.89% from the accuracy of tokenization by Morphind. Evaluation of POS tagging with Aksara also managed to pass Morphind with an accuracy of F1-score of 87%, with a relative increase of 18% from the accuracy of Morphind."

"Dengan aktifnya masyarakat dalam memanfaatkan teknologi informasi dan komunikasi (TIK) untuk mendapatkan maupun mencari informasi, penggunaan media sosial mulai dimanfaatkan pemerintah sebagai salah satu sarana bagi pemerintah dalam menyampaikan informasinya secara luas dan mencoba melibatkan publik dalam memberikan masukan dan/atau tanggapan terhadap kegiatan pemerintahan. Media sosial juga mulai dimanfaatkan Kementerian Luar Negeri Republik Indonesia (Kemlu RI) sebagai salah satu media TIK dalam mendukung visi, misi, dan pencapaian sasaran strategis Kemlu RI untuk menuju pemerintahan terbuka, salah satunya dengan menerapkan Diplomasi Digital. Akan tetapi dalam usaha menerapkan pemerintahan terbuka di Kemlu RI, ditemukan beberapa inisiatif yang menjadi tantangan, baik dari sisi sumber daya manusia, organisasi maupun proses pelaksanaannya. Oleh karena itu, kami melaksanakan sebuah penelitian untuk mengukur tingkat kematangan dalam pelaksanaan pemerintahan terbuka yang telah dilakukan Kemlu RI. Dengan pemahaman Digital Diplomasi yang cukup luas, dalam penelitian ini hanya dilakukan terhadap inisiatif penerapan media sosial di Kemlu RI, sebagai salah satu bagian dari Digital Diplomasi, dalam pemanfaatannya sebagai media penyebaran informasi dan menampung parsitipasi publik.Penelitian dilakukan dengan metodologi penelitian kualitatif dengan studi kasus Kemlu RI. Pengambilan data dilakukan melalui wawancara semi-terstruktur terhadap 8 (delapan) orang pejabat dan staf pelaksana yang terlibat dalam pemanfaatan media sosial, observasi terhadap kegiatan unit penanganan media sosial di Kemlu RI, serta pengumpulan data dukung yang berupa peraturan dan pelaksanaan media sosial di Kemlu RI. Dari hasil pengukuran yang dilakukan terhadap tingkat kematangan pemerintahan terbuka dalam pemanfaatan media sosial di Kemlu dengan menggunakan kerangka kerja yang digunakan, Kemlu RI berada pada tingkat kematangan 1 (Kondisi Awal). Dengan mengetahui tingkat kematangan ini, dapat disampaikan pula kesimpulan dan rekomendasi terhadap peningkatan dalam mencapai pemerintahan terbuka khususnya di Kemlu RI.

---

With the active participation of people in using information and communication technology (ICT) to obtain or seek information, the government began to use social media as a means to provide information and seek public interactions and collaborations. Social media is also used by the Ministry of Foreign Affairs (MoFA) of the Republic of Indonesia as one of the media technologies in supporting the vision, mission, and support of the Indonesian MoFA strategic goals to achieve open governance, one of them is by using Digital Diplomacy. However, in an effort to implement open government in the Indonesian MoFA, several proposals have been challenged, both in terms of human resources, organizations and the implementation process. Therefore, this research is going to measure the maturity level for open government that has been carried out by the Indonesian MoFA. In which Digital Diplomacy is quite extensive, this research will be conducted only on the application of social media, in its use as a medium for disseminating information and public assistance.

This research was conducted by testing qualitative research with a case study of the Indonesian Ministry of Foreign Affairs. Data retrieval is done through semi-structured interviews staff who involved in social media, observation of the social media unit activities, and collecting data of the regulation in the Indonesian MoFA. The results of measurements, the Indonesian MoFA is on the maturity level 1 (Initial Condition). By knowing this, conclusions and responses to improvements can be conveyed to the Indonesian MoFA."

"Machine Learning (ML) sebagai bagian dari Artificial Intelligence (AI) telah membuat komputer mampu melakukan hal-hal yang membutuhkan kecerdasan manusia secara otomatis. Binarized Neural Network (BNN) merupakan arsitektur ML modern yang memiliki keunggulan yakni penggunaan memori yang efisien dan performa yang baik. Namun, seperti neural network pada umumnya, BNN juga merupakan black-box model yang memiliki kesulitan dalam menjelaskan prediksi yang dihasilkan. Penelitian ini menggunakan teknik abduction untuk memperoleh minimal explanations, dalam bentuk himpunan pasangan fitur dan nilainya, dari hasil prediksi BNN. BNN dimodelkan sebagai model Mixed-Integer Linear Programming (MILP) dan selanjutnya disederhanakan menjadi model Integer Linear Programming (ILP) yang merupakan bentuk formal agar dapat dilakukan teknik abduction. Hasil penelitian menunjukkan bahwa teknik abduction dapat digunakan untuk menjelaskan hasil prediksi BNN. Penelitian ini juga menerapkan teknik abduction untuk menghasilkan penjelasan subset-minimal pada hasil prediksi BNN untuk beberapa dataset.

---

Machine Learning (ML) as part of Artificial Intelligence (AI) has enabled computers to do things that require human intelligence automatically. Binarized Neural Network (BNN) is a modern ML architecture that has some advantages: efficient use of memory and good performance. However, like other neural networks in general, BNN is also a black-box model that has difficulties in explaining the resulting predictions. This research employs the abduction technique to obtain minimal explanations, that is a set of pairs of features and its values, from a BNN prediction. BNN is modeled as a Mixed-Integer Linear Programming (MILP) model and then further simplified into an Integer Linear Programming (ILP) model which is a suitable formalism for finding explanations using abduction. This research shows that the abduction technique can be used to explain BNN predictions. Furthermore, this research applies the abduction technique to produce subset-minimal explanations on BNN predictions for several datasets."

"Perbedaan media komunikasi yang digunakan antara komunitas tuli dengan masyarakat normal menjadi pembatas dalam menjalin komunikasi antar keduanya. Untuk mengatasi hal ini, diperlukan suatu alat penerjemah yang dapat menerjemahkan bahasa isyarat Indonesia (Bisindo) yang biasa digunakan oleh komunitas tuli di Indonesia ke bahasa lisan dan sebaliknya. Penelitian ini akan berkontribusi pada pembentukan alat penerjemah tersebut dengan menerjemahkan kalimat dalam format Bisindo menjadi kalimat bahasa Indonesia secara satu arah. Penerjemahan dilakukan dengan dua metode berbeda, yaitu penerjemahan berbasis statistik menggunakan model neural machine translation (NMT) dan penerjemahan berbasis aturan. Khusus untuk penerjemahan berbasis aturan, penelitian ini hanya akan berfokus pada sebuah tahapan saja yaitu penambahan preposisi. Selain itu, penelitian ini juga memaparkan metode pembentukan dataset yang menyerupai karakteristik Bisindo dari dataset Indonesia menggunakan aturan-aturan sederhana untuk mengatasi minimnya ketersediaan dataset tersebut. Model NMT terbaik pada eksperimen ini memperoleh peningkatan nilai SacreBLEU sekitar 56%, serta penurunan nilai WER sekitar 7% dari nilai awal yang diperoleh pada dataset testing secara langsung. Di sisi lain, penerjemahan berbasis aturan memperoleh peningkatan nilai SacreBLEU sekitar 1.1% serta penurunan nilai WER sekitar 9.7% dari nilai awal. Sebagai tambahan, model tersebut memperoleh nilai precision sebesar 0.436 dan nilai recall sebesar 0.340 pada performanya dalam menambahkan preposisi secara spesifik.

---

The difference of communication methods used by the deaf community and the society becomes a boundary that limits the communication between the two. In order to tackle this issue, we need a tool that can translate sign language (especially bahasa isyarat Indonesia or Bisindo which is commonly used by the deaf community in Indonesia) to oral language and vice versa. This experiment will contribute to such tool by building a tool to translate sentences in Bisindo format to Bahasa Indonesia in one direction. Translation is done using two different methods: statistic-based translation using neural machine translation (NMT) models and rule-based translation. Specific to the rule-based approach, we will only focus on one step of the translation process which is adding prepositions. Aside of that, we also propose a method in building Bisindo-like dataset from Bahasa Indonesia dataset in order to handle the low availability of it. The best NMT model in this experiment achieved an improvement around 56% in SacreBLEU and a decrease around 7% in WER compared to the initial metrics value that we got directly from the testing dataset. On the other side, rule-based translation achieved an improvement around 1.1% in SacreBLEU and a decrease around 9.7% in WER compared to the initial metrics value. In addition, the model achieved 0.436 precision score and 0.340 recall score specific to its performance in adding preposition."

"Penelitian ini bertujuan untuk meningkatkan kemampuan morphological analyzer pada Aksara agar dapat melakukan pemrosesan bahasa Indonesia informal. Metode yang digunakan pada Aksara adalah rule-based menggunakan nite-state trans- ducer dengan compiler bernama Foma. Adapun komponen yang ditingkatkan adalah komponen tokenizer, lemmatizer, dan POS tagger. Untuk menguji peneli- tian ini, dibuatlah sebuah gold standard yang terdiri dari 102 kalimat dengan 1434 token. Hasil pengujian memperlihatkan bahwa penelitian ini berhasil memiliki pen- ingkatan akurasi tokenisasi sebesar 4.6% dari Aksara v1.1. Untuk tahapan lemati- sasi pada kasus case sensitive terjadi peningkatan akurasi sebesar 11.82%. Evaluasi POS tagging juga berhasil mengalami peningkatan pada nilai F1-Score sebesar 14% dibandingkan dengan Aksara v1.1.

---

This study aims to improve the ability of the morphological analyzer in Aksara in order to be able to process the informal Indonesian. The method used in Aksara is rule-based, using a nite-state transducer with a compiler named Foma. The components that are being improved are tokenizer, lemmatizer, and POS tagger components. To test this research, a gold standard was created; It consists of 102 sentences with 1434 tokens. The test results show that this study has an increase in tokenization accuracy of 4.6% compared to Aksara v1.1. For the lematization stage in the case of case-sensitive word, there is an increase in accuracy of 11.82%. The POS tagging evaluation also increased its F1-Score value by 14% compared to Aksara v1.1."

"PT Nusa Satu Inti Artha atau lebih dikenal dengan DOKU merupakan salah satu perusahaan fintech yang bergerak di sektor pembayaran. DOKU telah digunakan oleh lebih dari 100.000 merchant online dalam kedua layanannya, yaitu payment gateway dan transfer service. Semakin banyaknya merchant yang melakukan registrasi, menuntut DOKU untuk lebih efisien dalam menjalankan salah satu tahapan pada proses registrasi tersebut, yaitu verifikasi situs merchant. Penilitian ini memiliki tujuan untuk mengem- bangkan sebuah aplikasi web crawler yang dapat digunakan untuk melakukan ekstraksi kelengkapan data situs merchant dan melakukan prediksi tingkatan fraud situs tersebut secara otomatis. Web crawler dibuat menggunakan micro web framework bernama Flask dan berisi modul-modul yang dapat melakukan ekstraksi fitur-fitur untuk kemudian dilakukan scoring menggunakan model machine learning yang diimplementasi di dalamnya. Pemilihan model dilakukan dengan cara melakukan nested cross-validation terhadap empat jenis classifier, yaitu Decision Tree Classifier, Random Forest Classifier, Extreme Gradient Boost Classifier, dan Bernoulli Naive Bayes Classifier. Hasil analisis menunjukkan bahwa Bernoulli Naive Bayes Classifier memiliki hasil performa terbaik, sehingga classifier ini juga yang akan diimplementasikan pada web crawler. Hasil dari pengembangan web crawler menunjukkan bahwa efisiensi waktu proses verifikasi dapat ditingkatkan sebesar 4900% dengan AUC sebesar 0.953 dan recall sebesar 0.864.

---

PT Nusa Satu Inti Artha or better known as DOKU is one of the fintech companies engaged in the payment sector. DOKU has been used by more than 100,000 online mer- chants in its two services, namely payment gateway and transfer service. More and more merchants are registering, demanding DOKU to be more efficient in carrying out one of the stages in the registration process, namely merchant site verification. This research aims to develop a web crawler application that can be used to extract the the merchant site data and to predict the fraud level of the site automatically. Web crawler is created using a micro web framework named Flask and contains modules that can extract features to then do scoring using the machine learning model implemented in it. Model selection is done by doing nested cross-validation of four types of classifier namely Decision Tree Classifier, Random Forest Classifier, Extreme Gradient Boost Classifier, and Bernoulli Naive Bayes Classifier. The analysis shows that the Bernoulli Naive Bayes Classifier has the best performance results, so this classifier will be the one that implemented on the web crawler. The results of the development of web crawler show that the efficiency of the verification process can be increased by 4900% with AUC of 0.953 and recall of 0.864."