<![CDATA[Abstract — Clickbait refers to the practice of crafting sensational headlines to entice readers to click on links and read articles, often at the expense of accurately representing the underlying content. Amid fierce competition among online news portals and readers’ tendency to focus only on headlines, this phenomenon can mislead audiences, thereby necessitating an automated system capable of distinguishing clickbait headlines from non-clickbait ones. This study classifies Indonesian news headlines using a Gated Recurrent Unit (GRU) architecture and compares two pre-trained word embedding models, FastText and Word2Vec. The data used in this study are taken from the CLICK-ID dataset on Kaggle and comprise 15,000 news headlines. The results show that GRU combined with Word2Vec provides the best performance, achieving 78.96% accuracy, 78.80% precision, 78.96% recall, and a 78.86% F1-score, while GRU with FastText achieves 77.04% accuracy, 77.06% precision, 77.04% recall, and a 77.05% F1-score. In the task of classifying Indonesian clickbait news headlines, the use of Word2Vec word embeddings in a GRU-based model is superior to FastText, as it yields higher classification accuracy as well as better computational efficiency. Key words— Clickbait; FastText; GRU; Text Classification; Word2Vec. Abstrak — Clickbait adalah praktik penyusunan judul yang sengaja dibuat sensasional agar pembaca tertarik untuk mengklik tautan dan membaca artikel, namun kerap tidak mewakili isi berita secara utuh. Di tengah persaingan portal berita dan rendahnya kebiasaan membaca isi secara lengkap, fenomena ini berpotensi menyesatkan pembaca sehingga diperlukan sistem otomatis untuk membedakan judul clickbait dan non-clickbait. Penelitian ini mengklasifikasikan judul berita berbahasa Indonesia menggunakan arsitektur Gated Recurrent Unit dan membandingkan dua pretrained word embedding , FastText dan Word2Vec. Data yang digunakan berasal dari kaggle sebanyak 15.000 judul. Hasil menunjukkan kombinasi GRU dengan Word2Vec memberikan kinerja terbaik dengan akurasi 78,96 %, presisi 78,8%, recall 78,96 %, dan F1-Score 78,86 %. Sementara itu, GRU dengan FastText mencapai akurasi 77,04 %, presisi 77,06 %, recall 77,04 %, dan F1-Score 77,05 %. Pada tugas klasifikasi judul berita clickbait berbahasa Indonesia, penggunaan word embedding Word2Vec pada model GRU lebih unggul dibandingkan FastText karena mampu memberikan akurasi klasifikasi yang lebih tinggi sekaligus efisiensi komputasi yang lebih baik. Kata kunci — Clickbait; FastText; GRU; Klasifikasi Teks; Word2Vec]]>
