Klasifikasi Teks Artikel Berita Hoaks Covid-19 Dengan Menggunakan Algotrima K-nearest Neighbor

Abstract

Peran internet dan pertumbuhan informasi yang diberitakan di media sosial membuat perkembangan dan penyebaran berita semakin mudah, begitu pun dalam mengaksesnya. Pada masa pandemi Covid-19 saat ini banyak sekali berita yang tersebar sehingga masyarakat luas mencari atau mendapat informasi tentang virus ini. Berita berjudul Covid-19 ini banyak berisi informasi tidak penting bahkan memberitakan informasi hoaks. Hal ini membuat masyarakat internasional khususnya Indonesia resah akan berita yang beredar selama masa Covid-19. Oleh karena itu, penulis membuat sebuah model sistem untuk melakukan klasifikasi berita yang sesuai terjadi di lapangan. Informasi yang tersebar di media sosial sangat variatif sehingga banyak berita yang tidak penting bahkan berisikan informasi hoaks. Klasifikasi berita akan dilakukan dengan K-Nearest Neighbor (KNN). Berita yang ada dibagi menjadi beberapa kelas berdasarkan kategorinya, kemudian berita dilakukan klasifikasi teks dengan metode K-Nearest Neighbor (KNN) dan k-fold cross validation sebagai validasi model yang dibuat. Proses klasifikasi dilakukan dengan skema menggunakan 80% data train dan 20% data test serta mengubah parameter nilai k pada K-Nearest Neighbor dengan k = 3, k = 5, k = 7, k = 9, dan pada k-fold cross validation sebanyak k = 5 dan k = 10. Untuk evaluasi digunakan confusion matrix. Akhirnya, dari setiap model yang dilakukan dengan mengubah nilai k pada K-Nearest Neighbor didapatkan hasil akurasi terbaik dengan F1-Score sebesar 48% dari nilai k = 5, hasil validasi dari k-fold cross validation k = 5 sebesar 42% dan k = 10 sebesar 45%. Kata Kunci : Covid-19, K-Nearest Neighbor, Hoax, intenet, klasifikasi.