Klasifikasi Berita Hoaks Berbahasa Indonesia Menggunakan Algoritma Machine Learning dan Model Transformer
DOI:
https://doi.org/10.52436/1.jpti.1529Kata Kunci:
Deteksi Hoaks, IndoBERT, Klasifikasi Teks, Machine Learning, TransformerAbstrak
Peningkatan penyebaran informasi digital di Indonesia yang turut memperbesar risiko beredarnya berita hoaks dan disinformasi yang dapat memicu keresahan serta polarisasi masyarakat. Penelitian ini bertujuan untuk mengembangkan sistem klasifikasi berita hoaks otomatis serta membandingkan performa algoritma Machine Learning klasik dengan model berbasis transformer. Tahapan penelitian meliputi pengumpulan dataset dari TurnBackHoax.id sebagai sumber berita hoaks serta AntaraNews, Kompas, dan Detik.com sebagai sumber berita faktual, dilanjutkan dengan pra-pemrosesan teks, ekstraksi fitur menggunakan Term Frequency–Inverse Document Frequency (TF-IDF), serta fine-tuning model IndoBERT. Model yang diuji meliputi Support Vector Machine (SVM), Random Forest, dan IndoBERT, dengan evaluasi menggunakan metrik Accuracy, Precision, Recall, dan Macro F1-Score. Hasil penelitian menunjukkan bahwa IndoBERT memberikan performa terbaik dengan akurasi sebesar 99,38% dan Macro F1-Score sebesar 0,99, diikuti oleh SVM dengan akurasi 98,04% dan Random Forest sebesar 97,09%. Keunggulan IndoBERT terletak pada kemampuannya dalam menangkap konteks semantik bahasa secara lebih mendalam dibandingkan pendekatan berbasis frekuensi. Meskipun demikian, SVM tetap menunjukkan performa yang kompetitif dengan kompleksitas komputasi yang lebih rendah. Dengan demikian, dapat disimpulkan bahwa model transformer IndoBERT merupakan pendekatan paling efektif untuk klasifikasi berita hoaks berbahasa Indonesia, sementara algoritma Machine Learning klasik tetap relevan sebagai alternatif pada lingkungan dengan keterbatasan sumber daya komputasi.
Unduhan
Referensi
L. Alexander, R. Gian, A. Ananta, J. Harefa, L. Alexander, and K. Jingga, “Evaluating IndoBERT for Indonesian Hoax News Detection?: A Evaluating IndoBERT for Ensemble Indonesian Hoax News Detection?: Comparative Study with and Models Comparative Study with Ensemble and CNN-LSTM Models,” Procedia Comput. Sci., vol. 269, pp. 1625–1633, 2025, doi: 10.1016/j.procs.2025.09.105.
C. J. L. Tobing, I. G. N. L. Wijayakusuma, and L. P. I. Harini, “Detection of Political Hoax News Using Fine-Tuning IndoBERT,” J. Appl. Informatics Comput., vol. 9, no. 2, pp. 354–360, 2025, [Online]. Available: https://doi.org/10.30871/jaic.v9i2.8989
A. Kunaefi, Z. Abidin, and R. Kusumawati, “Klasifikasi Berita Hoaks Bahasa Indonesia Menggunakan IndoBERT,” J. Ilm. Penelit. dan Pembelajaran Inform., vol. 10, no. 2, pp. 1706–1714, 2025, [Online]. Available: https://doi.org/10.29100/jipi.v10i2.7811
C. J. L. Tobing, I. G. N. L. Wijayakusuma, and L. P. Ida, “Perbandingan Kinerja IndoBERT dan MBERT untuk Deteksi Berita Hoaks Politik dalam Bahasa Indonesia,” J. Sains dan Teknol., vol. 14, no. 1, pp. 114–123, 2025, [Online]. Available: https://doi.org/10.23887/jstundiksha.v14i1.92126%0A
A. A. Nabil, F. R. Wildantama, D. Satrianto, M. G. Bakara, I. Budiawan, and D. Mulyat, “Klasifikasi Hoax Menggunakan Metode TF-IDF + SVM,” J. Pengabdi. Masy. dan Ris. Pendidik., vol. 4, no. 3, pp. 17653–17660, 2026, [Online]. Available: https://doi.org/10.31004/jerkin.v4i3.5078
I. Fahrur, I. Maulidia, M. Hani, R. Arianto, D. R. Anantaf, and Y. A. Yuli, “Comparison of feature extraction in Support Vector Machine ( SVM ) based sentiment analysis system,” J. Ilm. Kursor, vol. 13, no. 1, pp. 1–12, 2025, [Online]. Available: https://doi.org/10.21107/kursor.v13i1.417
A. U. Hamdani, S. Setiawati, Z. D. Mentari, and M. H. Purnomo, “COMPARISON OF K-NN , SVM , AND RANDOM FOREST ALGORITHM FOR DETECTING HOAX ON INDONESIAN ELECTION 2024,” J. Nas. Pendidik. Tek. Inform., vol. 13, no. 1, pp. 166–179, 2024, [Online]. Available: https://doi.org/10.23887/janapati.v13i1.76079
N. Rochmawati, A. K. Zyen, and N. A. Widiastuti, “Comparison of Support Vector Machine ( SVM ) and Random Forest Algorithms in the Analysis of Social Media X User Sentiment Towards the TNI Bill,” J. Appl. Informatics Comput., vol. 9, no. 5, pp. 2854–2860, 2025, [Online]. Available: https://doi.org/10.30871/jaic.v9i5.10883
R. P. Fernandes and R. T. Shita, “Penerapan Metode SVM dan Random Forest untuk Mendeteksi Berita Hoaks pada PT . Global Arrow,” J. Ticom Technol. Inf. Commun., vol. 12, no. 3, pp. 102–107, 2024, [Online]. Available: https://doi.org/10.70309/ticom.v12i3.129
N. S. Pramudya and Y. P. Santosa, “COMPARISON BETWEEN CNN AND RANDOM FOREST PERFORMANCE IN DETECTING HOAX INDONESIAN NEWS ARTICLES,” Proxies J., vol. 7, no. 1, pp. 1–14, 2023, [Online]. Available: https://doi.org/10.24167/proxies.v7i1.12463
M. Al Fachrozi and K. D. Tania, “COMPARISON OF NAÏVE BAYES, SVM, K-NN, DECISION TREE, AND RANDOM FOREST IN SENTIMENT ANALYSIS BASED ON SEABANK APPLICATION ASPECTS,” J. Teknol. dan Sist. Inf., vol. XII, no. 1, pp. 69–80, 2025, [Online]. Available: http://dx.doi.org/10.33330/jurteksi.v12i1.4189
A. D. S. Davinka, K. D. Tania, and P. E. Sevtiyuni, “Penerapan Metode Machine Learning Dan Teknik SMOTE untuk Prediksi Diabetes,” J. Sist. Komput. Dan Inform., vol. 7, no. 2, pp. 436–447, 2025, doi: 10.30865/json.v7i2.9032.
A. Fatihaturrahmah and K. D. Tania, “Review?: A Hybrid Approach of Aspect-Based Sentiment Analysis and Knowledge Extraction for Evaluating Security Perceptions in Digital Payment Applications,” Sci. J. Informatics, vol. 12, no. 4, pp. 635–650, 2025, doi: 10.15294/sji.v12i4.31557.
D. A. Ardhani and K. D. Tania, “Knowledge discovery on E-Commerce Customer Churn Using Interpretable Machine Learning?: A Comparative Study of SHAP-Based Classifiers,” J. Appl. Informatics Comput., vol. 9, no. 5, pp. 2695–2702, 2025, [Online]. Available: https://doi.org/10.30871/jaic.v9i5.10811
P. Ayuningtiyas, K. D. Tania, and W. K. Sari, “Sentiment-Based Knowledge discovery pada Aplikasi iPusnas Menggunakan Metode Machine Learning dan Deep Learning,” J. Appl. Informatics Comput., vol. 9, no. 5, pp. 2486–2497, 2025, [Online]. Available: https://doi.org/10.30871/jaic.v9i5.10258
