Komparasi Model Klasifikasi Teks dalam Mendeteksi Berita Hoaks Berbahasa Indonesia

Duwi Purnama Sidik

Authors

Duwi Purnama Sidik University of Brawijaya Author

Keywords:

Berita Hoaks, Klasifikasi Teks, Machine Learning, Naïve Bayes, Support Vector Machine

Abstract

Penyebaran berita hoaks di era digital menjadi tantangan yang dapat memengaruhi opini publik dan menimbulkan disinformasi. Penelitian ini bertujuan membandingkan kinerja algoritma Naïve Bayes dan Support Vector Machine (SVM) dalam mendeteksi berita hoaks berbahasa Indonesia. Metode penelitian menggunakan pendekatan eksperimen yang meliputi prapemrosesan teks, ekstraksi fitur menggunakan TF-IDF, pelatihan model, dan evaluasi kinerja. Dataset yang digunakan terdiri atas 3.772 berita yang diklasifikasikan ke dalam kategori hoaks dan valid. Evaluasi dilakukan menggunakan metrik accuracy, precision, recall, dan F1-score. Hasil penelitian menunjukkan bahwa SVM memperoleh performa lebih baik dengan accuracy 70,87%, precision 72%, dan F1-score 82%, sedangkan Naïve Bayes memperoleh accuracy 66,52%, precision 67%, dan F1-score 80%. Namun, Naïve Bayes memiliki recall lebih tinggi sebesar 99% dibandingkan SVM sebesar 97%. Hasil ini menunjukkan bahwa SVM lebih efektif dalam klasifikasi berita hoaks berbahasa Indonesia.

Downloads

Download data is not yet available.

References

Andryani, R., Julian, D., Syaputra, R., Syazili, A., Rusli, A., Ramadan, R., & Negara, E. S. (2025). Comparing deep learning and machine learning for detecting fake news on social media. Jurnal Ilmiah Ilmu Terapan Universitas Jambi, 9(3), 1091–1103. https://doi.org/10.22437/jiituj.v9i3.46370

Desriansyah, M. D., Sari, I., & Zulfahmi, Z. (2025). Analisis efektivitas algoritma machine learning dalam deteksi hoaks pada berita digital berbahasa Indonesia. Jurnal Sistem Informasi dan Informatika, 3(2), 63–69. https://doi.org/10.47233/jiska.v3i1.2024

Hafiizh, H., & Juanita, S. (2026). Model deteksi berita hoaks bahasa Indonesia menggunakan Multinomial Naïve Bayes dan AdaBoost classifier. Bulletin of Computer Science Research, 6(2), 577–584. https://doi.org/10.47065/bulletincsr.v6i2.927

Hasan Dalimunthe, A., Ula, M., & Meiyanti, R. (2024). Unjuk kerja algoritma Support Vector Machine (SVM) dan Naïve Bayes dalam pengklasifikasian berita hoaks pada Twitter tentang Aksi Cepat Tanggap (ACT). Jurnal Elektronika dan Teknologi Informasi, 5(2), 11–22. https://doi.org/10.5201/jet.v5i2.400

Huda, B. S. N., Ayni, F. N., & Angelina, D. A. (2026). Sistem pendeteksi berita hoax berbasis Word2Vec dan logistic regression. In Seminar Nasional Teknologi & Sains (Vol. 5, No. 1, pp. 620–625). https://doi.org/10.29407/y6et8s42

Imran, B., Karim, M. N., & Ningsih, N. I. (2024). Klasifikasi berita hoax terkait pemilihan umum presiden Republik Indonesia tahun 2024 menggunakan Naïve Bayes dan SVM. Dinamika Rekayasa, 20(1), 1–9. https://doi.org/10.20884/1.dinarek.2024.20.1.27

Karimah, U., & Fatah, Z. (2025). Klasifikasi berita hoaks di media sosial menggunakan algoritma Naive Bayes dan RapidMiner. JISCO: Journal of Information System and Computing, 3(2), 55–65. https://doi.org/10.30631/jisco.v3i2.4028

Kesuma, C. (2026). Online news hoax detection using machine learning classification algorithms. International Journal of Informatics, Economics, Management and Science, 5(1), 82–94. https://doi.org/10.52362/ijiems.v5i1.2287

Ledjap, A. M. B., Rochmawati, F. P., Marsanda, D. A. E., & Sari, A. P. (2024). Pemanfaatan natural language processing untuk pengecekan ejaan sesuai KBBI. Jurnal Mahasiswa Teknik Informatika, 3(2), 46–56. https://doi.org/10.35473/jamastika.v3i2.3255

Munir, C., & Indra, I. (2024). Penerapan algoritma Naïve Bayes pada proses deteksi berita hoax pada pemberitaan media sosial: Studi kasus pemilu 2024. Telematika MKOM, 16(1), 1–9. https://doi.org/10.36080/telematikamkom.3836

Mustafa, T. F., & Alfianti, H. (2025). Klasifikasi berita palsu berbahasa Indonesia menggunakan algoritma Naive Bayes berbasis web. Jurnal Sains Informatika Terapan, 4(3), 657–663. https://doi.org/10.62357/jsit.v4i3.564

Pangesti, I., Zen, N. A., & Kurnianto, D. (2023). Evaluasi kinerja algoritma Naive Bayes pada sistem deteksi berita hoax. Journal of Informatics and Communication Technology (JICT), 5(2), 103–110. https://doi.org/10.52661/j_ict.v5i2.238

Putri Ramadani, N. A., Pandia, N. A., & Siregar, S. P. H. (2026). Klasifikasi berita hoaks menggunakan algoritma Support Vector Machine. Prosiding Seminar Nasional Ilmu Teknik, 2(2), 249–255. https://doi.org/10.61132/prosemnasproit.v2i2.201

Ramadhan, M. F. (2025). Klasifikasi topik dan sentimen judul berita dengan augmentasi dan TF-IDF. RIGGS: Journal of Artificial Intelligence and Digital Business, 4(2), 6732–6741. https://doi.org/10.31004/riggs.v4i2.1692

Ripa’i, A., Santoso, F., & Lazim, F. (2024). Hoax news detection with website comparison using deep learning approach BERT algorithm. G-Tech: Jurnal Teknologi Terapan, 8(3), 1749–1758. https://doi.org/10.33379/gtech.v8i3.4541

Sani, R. R., Pratiwi, Y. A., Winarno, S., Udayanti, E. D., & Alzami, F. (2022). Analisis perbandingan algoritma Naive Bayes classifier dan Support Vector Machine untuk klasifikasi berita hoax pada berita online Indonesia. Jurnal Masyarakat Informatika, 13(2), 85–98. https://doi.org/10.14710/jmasif.13.2.47983

Soleman, S. (2021). Pemanfaatan metode klasifikasi Naïve Bayes untuk pendeteksi berita hoax pada artikel berbahasa Indonesia. Jurnal CoreIT: Jurnal Hasil Penelitian Ilmu Komputer dan Teknologi Informasi, 7(2), 83–93. http://dx.doi.org/10.24014/coreit.v7i2.14290

Suryanti, R., & Prasetyaningrum, P. (2025). Perbandingan metode TF-IDF dan Bag of Words dalam analisis sentimen diet kopi Americano di media sosial Twitter menggunakan Naïve Bayes. Building of Informatics, Technology and Science (BITS), 7(1), 104–115. https://doi.org/10.47065/bits.v7i1.7244

Syah, M. P., Wardani, A. P., & Idhom, M. (2025). Perbandingan representasi teks TF-IDF dan BERT terhadap akurasi cosine similarity dalam penilaian otomatis jawaban berbasis teks. Data Sciences Indonesia (DSI), 5(1), 47–59. https://doi.org/10.47709/dsi.v5i1.6021