DETEKSI BERITA PALSU PADA BERITA DARING BERBAHASA INDONESIA MENGGUNAKAN WORD EMBEDDING DAN DEEP LEARNING
Abstract :
Berita palsu (HOAKS) merupakan sebuah tantangan serius dalam era
informasi digital saat ini. Dalam konteks Indonesia, sulitnya mendeteksi berita
palsu telah menjadi permasalahan yang mempengaruhi masyarakat. Tujuan dari
penelitian ini adalah untuk mengembangkan sebuah sistem deteksi berita palsu
pada berita daring berbahasa Indonesia menggunakan pendekatan Word
Embedding dengan Word2Vec dan Deep Learning menggunakan Long Short
Term Memory guna mempermudah masyarakat Indonesia dalam membedakan
antara berita yang valid dan berita palsu. Metodologi penelitian yang digunakan
adalah CRISP-DM (Cross-Industry Standard Process for Data Mining), yang
meliputi tahap-tahap business understanding, data understanding, data
preparation, modelling, evaluation, dan deployment. Data yang digunakan dalam
penelitian ini adalah kumpulan berita dalam bahasa Indonesia yang terdiri dari
berita valid dan berita palsu yang diambil dari Turnbackhoax, Lapor Isu Hoaks
Kemkominfo, Detik.com, Kompas.com, Dan CNN Indonesia.
Sistem deteksi berita palsu mengambil data berdasarkan headline maupun
konten yang terdapat pada berita daring yang dapat membantu masyarakat dalam
mengakses informasi yang valid, serta mengurangi dampak negatif yang
diakibatkan oleh penyebaran berita palsu. Hasil dari penelitian ini menunjukkan
bahwa sistem deteksi berita palsu menggunakan untuk word embedding dan deep
learning memiliki rata-rata akurasi sebesar 91,22%, presisi sebesar 98,40%, recall
sebesar 83,61%, dan F1-Score sebesar 90,40%. Hasil tersebut menunjukkan
bahwa sistem memiliki kinerja yang baik dalam membedakan berita palsu dan
valid. Selain itu, hasil skala Likert sebesar 79% menunjukkan bahwa masyarakat
Indonesia secara umum setuju dengan sistem deteksi berita palsu ini.
Date Of publication :
04 June 2024
Program Study :
Teknik Informatika
Majority :
Teknologi Informasi