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.