Penyebaran berita hoax telah menjadi ancaman serius dalam era informasi digital saat ini. Penyebaran berita hoax atau berita palsu dapat memiliki dampak yang merugikan dan berbahaya, baik bagi individu maupun masyarakat secara keseluruhan. Penyebaran Berita palsu dapat mempengaruhi persepsi dan pemahaman orang terhadap suatu peristiwa atau isu. Tujuan penelitian ini adalah untuk menerapkan sebuah model yang efektif dalam mengenali dan membedakan teks berita hoax dari teks berita non-hoax. metode TF-IDF digunakan untuk menghasilkan Vector Space Model dari teks berita, dengan mempertimbangkan frekuensi kemunculan kata dan bobotnya dalam korpus keseluruhan. Kemudian, arsitektur LSTM dipakai sebagai model klasifikasi yang mampu memahami konteks jangka panjang dalam teks. Tahapan penelitian meliputi pengumpulan data berita hoax dan non-hoax dari Kaggle (fake.csv dan true.csv), preprocessing teks (membersihkan dan mengubah teks menjadi representasi vektor), pelatihan model LSTM, dan evaluasi kinerja model menggunakan confusion matrix. Setelah pengujian, kombinasi parameter LSTM dengan akurasi tertinggi sebesar 99,65% dicapai pada skenario uji coba 14 (80:20, neuron hidden layer 16, epoch 100, kompilasi model dengan binary crossentropy sebagai fungsi loss, adam sebagai optimizer, dan metrik akurasi untuk evaluasi) dengan penerapan preprocessing yakni tokenizing, stopword removal, dan stemming. Hasil ini menunjukkan bahwa model klasifikasi yang dikembangkan sangat akurat dalam mendeteksi berita hoax.


Deskripsi Lain

The spread of hoax news has become a serious threat in today's digital information era. The dissemination of hoax news false news can have harmful and dangerous impacts, both for individuals and society a whole. The spread of fake news can influence people's perceptions and understanding of an event issue. The aim of this research is to implement an effective model to recognize and distinguish hoax news texts from non-hoax news texts. The TF-IDF method is used to generate a Vector Space Model from the news texts, considering the frequency of word occurrences and their weights in the overall corpus. Then, the LSTM architecture is employed a classification model capable of understanding long-term context in the text. The research stages include collecting hoax and non-hoax news data from Kaggle (fake.csv and true.csv), preprocessing the text (cleaning and converting the text into vector representation), training the LSTM model, and evaluating the model's performance using a confusion matrix. After testing, the combination of LSTM parameters with the highest accuracy of 99.65% was achieved in trial scenario 14 (80:20 split, hidden layer neurons 16, 100 epochs, compiling the model with binary crossentropy the loss function, Adam the optimizer, and accuracy the evaluation metric) with preprocessing applied, including tokenizing, stopword removal, and stemming. These results show that the developed classification model is highly accurate in detecting hoax news.

• Aplikasi Website dan E-DMS Kejaksaan Negeri Kraksaan dengan Metode TF-IDF
• Sistem Analisis Sentimen Produk Telkomsel dari Opini Twitter Berbahsa Indonesia Menggunakan Metode Naive Bayes Classifier
• KOMBINASI ANTARA TERM WEIGHTING DENGAN INTEGRATED COLOR AND INTENSITY CO-OCCURENCE MATRIX UNTUK DUA LAPIS TEMU KEMBALI CITRA PADA MEDIA SOSIAL TWITTER
• KLASIFIKASI BERITA OLAHRAGA BERBAHASA INDONESIA MENGGUNAKAN METODE SUPPORT VECTOR MACHINE
• LITERASI DAN DAMPAK BERITA HOAX KESEHATAN MAKANAN DI MEDIA SOSIAL FACEBOOK (Studi Pada Ibu Rumah Tangga di Desa Ngluyu)