Deteksi Berita Hoax Di Media Sosial Twitter Dengan Ekspansi Fitur Menggunakan Glove
DOI:
https://doi.org/10.34818/eoe.v9i3.17986Abstrak
Abstrak Terdapat banyak berita hoax yang saat ini banyak beredar di masyarakat. Bahkan di Indonesia, khusus- nya di media sosial, fenomena hoax tidak jarang terjadi. Hoax bisa membuat orang resah karena informasi yang tidak diketahui kebenarannya. Untuk mengetahui informasi yang disebarluaskan, kita perlu mengklasifikasikannya untuk mengetahui apakah itu hoax atau tidak. Oleh karena itu dalam penelitian ini, di kembangkan sistem yang mampu mendeteksi informasi hoax di media sosial Twitter dengan menggunakan metode ekspansi fitur Global Vectors for Word Representation (GloVe). Metode ekspansi fitur Glove digunak- an untuk mengurangi adanya ketidakcocokan kosakata pada sebuah tweet pada Twitter. Proses klasifikasi yang digunakan beberapa metode yaitu, Support Vector Machine (SVM), Naive Bayes dan Recurrent Neural Network (RNN). Pada hasil penelitian menunjukan bahwa sistem pendeteksi Hoax menggunakan ekspansi fitur memiliki akurasi sebesar 91,92% pada metode klasifikasi SVM dengan menggunakan korpus GloVe Tweet+Berita dan menggunakan Top 10. Kata kunci: Hoax, Twitter, Support Vector Machine (SVM), Naive Bayes, Recurrent Neural Network (RNN).Referensi
[1] Hans Baars, Jule Hintzbergen, Andre´ Smulders, and Kees Hintzbergen. Foundations of information security based on ISO27001 and ISO27002. Van Haren, 2015.
[2] Badan Pengembangan dan Pembinaan Bahasa. Hoaks - kbbi daring. 2016.
[3] S Asur and B Huberman. Predicting the future with social media. in 2010 ieee/wic. In ACM International Conference on Web Intelligence and Intelligent Agent Technology, pages 492–499.
[4] Undang-undang republik indonesia nomor 11 tentang informasi dan transaksi elektronik. 2008.
[5] Errissya Rasywir and Ayu Purwarianti. Eksperimen pada sistem klasifikasi berita hoax berbahasa indonesia berbasis pembelajaran mesin. Jurnal Cybermatika, 3(2), 2016.
[6] Dina Maulina and Rofie Sagara. Klasifikasi artikel hoax menggunakan support vector machine linear dengan pembobotan term frequency–inverse document frequency. Jurnal Mantik Penusa, 2(1), 2018.
[7] Irfan Hanif. Klasifikasi Perintah Bahasa Natural Menggunakan Global Vectors for Word Representations (GloVe), Convolutional Neural Networks, dan Teknik Transfer Learning pada Aplikasi Chatbots. PhD thesis, Institut Teknologi Sepuluh Nopember, 2018.
[8] Erwin B Setiawan, Dwi H Widyantoro, and Kridanto Surendro. Feature expansion for sentiment analysis in twitter. In 2018 5th International Conference on Electrical Engineering, Computer Science and Informatics (EECSI), pages 509–513. IEEE, 2018.
[9] Merinda Lestandy, Abdurrahim Abdurrahim, Lailis Syafa’ah, et al. Analisis sentimen tweet vaksin covid-19 menggunakan recurrent neural network dan na¨ıve bayes. Jurnal RESTI (Rekayasa Sistem Dan Teknologi Informasi), 5(4):802–808, 2021.
[10] A Fauzi, EB Setiawan, and ZKA Baizal. Hoax news detection on twitter using term frequency inverse document frequency and support vector machine method. In Journal of Physics: Conference Series, volume 1192, page 012025. IOP Publishing, 2019.
[11] Pranav Bharadwaj and Zongru Shao. Fake news detection with semantic features and text mining. Interna- tional Journal on Natural Language Computing (IJNLC) Vol, 8, 2019.
[12] Putu Manik Prihatini. Implementasi ekstraksi fitur pada pengolahan dokumen berbahasa indonesia. Matrix: Jurnal Manajemen Teknologi dan Informatika, 6(3):174, 2017.
[13] Adi Ryansyah. Implementasi Algoritma TF-IDF Pada Pengukuran Kesamaan Dokumen. PhD thesis, Sekolah Tinggi Teknik Musi, 2014.
[14] Jeffrey Pennington, Richard Socher, and Christopher D Manning. Glove: Global vectors for word representa- tion. In Proceedings of the 2014 conference on empirical methods in natural language processing (EMNLP), pages 1532–1543, 2014.
[15] Erwin B Setiawan, Dwi H Widyantoro, and Kridanto Surendro. Feature expansion using word embedding for tweet topic classification. In 2016 10th International Conference on Telecommunication Systems Services and Applications (TSSA), pages 1–5. IEEE, 2016.
[16] Vladimir Vapnik. The nature of statistical learning theory. Springer science & business media, 2013.
[17] AS Nugroho, AB Witarto, and D Handoko. Support vector machine–teori dan aplikasi dalam bioinformatika.
Diakses pada tanggal, 9, 2003.
[18] Amalia Indranandita, Budi Susanto, and Antonius Rahmat. Sistem klasifikasi dan pencarian jurnal dengan menggunakan metode naive bayes dan vector space model. Jurnal Informatika, 4(2), 2011.
[19] Ahmad Ashril Rizal and Siti Soraya. Multi time steps prediction dengan recurrent neural network long short term memory. MATRIK: Jurnal Manajemen, Teknik Informatika dan Rekayasa Komputer, pages 115–124, 2018.
[20] John A Bullinaria. Recurrent neural networks. Neural Computation: Lecture, 12, 2013.
[21] Junyoung Chung, Kyle Kastner, Laurent Dinh, Kratarth Goel, Aaron C Courville, and Yoshua Bengio. A recurrent latent variable model for sequential data. Advances in neural information processing systems, 28:2980–2988, 2015.
[22] Annisa Darmawahyuni, Siti Nurmaini, Wahyu Caesarendra, Vicko Bhayyu, M Naufal Rachmatullah, et al. Deep learning with a recurrent network structure in the sequence modeling of imbalanced data for ecg-rhythm classifier. Algorithms, 12(6):118, 2019.
[23] Subari Subari and Ferdinandus Ferdinandus. Sistem information retrieval layanan kesehatan untuk berobat dengan metode vector space model (vsm) berbasis webgis. SNATIKA 2015, 3(34):1–26, 2015.
