Klasifikasi Berita Palsu Berbahasa Indonesia Menggunakan Algoritma Naive Bayes Berbasis Web
Article Sidebar
Main Article Content
Abstract
Penyebaran berita palsu (hoaks) menjadi tantangan besar di era digital, terutama melalui media sosial yang menyebarkan informasi secara masif dan cepat. Untuk mengatasi masalah ini, penelitian ini mengembangkan aplikasi web berbasis algoritma Naive Bayes untuk mendeteksi berita palsu berbahasa Indonesia. Dataset yang digunakan terdiri dari 19697 berita yang dikumpulkan dari berbagai sumber, baik fakta maupun hoaks. Proses pelatihan melibatkan tahapan preprocessing teks, vectorization dengan TF-IDF, serta model tuning menggunakan GridSearchCV. Hasil pengujian menunjukkan bahwa model mampu mencapai akurasi sebesar 92,3% dengan nilai precision, recall, dan f1-score yang seimbang pada kedua kelas. Aplikasi ini diimplementasikan menggunakan framework Streamlit dan dilengkapi dengan integrasi API Google News untuk mendukung verifikasi informasi secara real-time. Penelitian ini menunjukkan bahwa kombinasi antara machine learning dan teknologi web dapat menjadi solusi efektif dalam deteksi hoaks secara otomatis.
Article Details
This work is licensed under a Creative Commons Attribution-ShareAlike 4.0 International License.
References
L. Rizkinaswara, “Dua Upaya Kominfo Atasi Hoaks Vaksinasi Covid-19,” Kominfo. Diakses: 4 Maret 2025. [Daring]. Tersedia pada: https://aptika.kominfo.go.id/2021/02/dua-upaya-kominfo-atasi-hoaks-vaksinasi-covid-19/
Siaran Pers, “Siaran Pers No. 02/HM/KOMINFO/01/2024 tentang Hingga Akhir Tahun 2023, Kominfo Tangani 12.547 Isu Hoaks,” Komdigi. Diakses: 22 Desember 2024. [Daring]. Tersedia pada: https://www.komdigi.go.id/berita/pengumuman/detail/siaran-pers-no-02-hm-kominfo-01-2024-tentang-hingga-akhir-tahun-2023-kominfo-tangani-12-547-isu-hoaks
A. Géron, Hands-on Machine Learning with Scikit-Learn, Keras, and TensorFlow Concepts, Tools, and Techniques to Build Intelligent Systems, 2 ed. Sebastopol: O’Reilly Media, Inc., 2019.
L. Rokach dan O. Maimon, Data Mining with Decision Tree, 2 ed., vol. 81. Singapura: World Scientific Publishing Co. Pte. Ltd., 2015.
N. Agustina, A. Adrian, dan M. Hermawati, “Implementasi Algoritma Naïve Bayes Classifier untuk Mendeteksi Berita Palsu pada Sosial Media,” Faktor Exacta, vol. 14, no. 4, hlm. 206, Jan 2022, doi: 10.30998/faktorexacta.v14i4.11259.
A. S. Nurhikam dkk., “Deteksi Berita Palsu Pada Pemilu 2024 Dengan Menggunakan Algoritma Random Forest,” DoubleClick: Journal of Computer and Information Technology, vol. 7, no. 1, hlm. 41–50, Agu 2023.
E. I. Setiawan, S. Johanes, A. T. Hermawan, dan Y. Yamasari, “Deteksi Validitas Berita pada Media Sosial Twitter dengan Algoritma Naive Bayes,” Journal of Intelligent System and Computation, vol. 3, no. 2, hlm. 55–60, Okt 2021, doi: 10.52985/insyst.v3i2.164.
B. Hartono, Cara Mudah dan Cepat Belajar Pengembangan Sistem Informasi. Semarang: Yayasan Prima Agus Teknik, 2021.
M. Syarif dan E. B. Pratama, “Analisis Metode Pengujian Perangkat Lunak Blackbox Testing dan Pemodelan Diagram UML pada Aplikasi Veterinary Services yang Dikembangkan dengan Model Waterfall,” Jurnal Teknik Informatika Kaputama (JTIK), vol. 5, no. 2, 2021.
M. Seidl, M. Scholz, C. Huemer, dan G. Kappel, UML @ Classroom. dalam Undergraduate Topics in Computer Science. Cham: Springer International Publishing, 2015.
J. A. Kreibich, Using SQLite, 1 ed. O’Reilly Media, Inc., 2010.
Y. N. Fuadah, I. D. Ubaidullah, N. Ibrahim, F. F. Taliningsing, N. K. Sy, dan M. A. Pramuditho, “Optimasi Convolutional Neural Network dan K-Fold Cross Validation pada Sistem Klasifikasi Glaukoma,” ELKOMIKA: Jurnal Teknik Energi Elektrik, Teknik Telekomunikasi, & Teknik Elektronika, vol. 10, no. 3, hlm. 728, Jul 2022, doi: 10.26760/elkomika.v10i3.728.