Deteksi Berita Hoaks Terkait Debat Capres Pemilu 2024 Pada Media Sosial Menggunakan Metode Bayesian Neural Network
Abstrak
Berita Hoaks di media sosial semakin mengkhawatirkan, terutama pada saat pemilu, di mana informasi ini dapat mempengaruhi opini publik dan mengganggu integritas pemilu. Penelitian ini bertujuan untuk mengembangkan sistem deteksi hoaks menggunakan metode Bayesian Neural Network (BNN) yang dioptimalkan dengan teknik Term frequency-Inverse Document frequency (TF-IDF). Hasil pengujian menunjukkan bahwa sistem ini berhasil mencapai akurasi tinggi dalam mengklasifikasikan berita hoaks dan non-hoaks. Dibandingkan dengan penelitian lain, seperti menggunakan metode K-Nearest Neighbor (K-NN) mencapai akurasi 85%, Naïve Bayes dengan akurasi 82,6%, dan penelitian data mining menggunakan TF-IDF mencapai akurasi rendah 57%. Dengan menggunakan metode ini mengklasifikasi berita hoaks secara otomatis dengan memanfaatkan distribusi probabilistik untuk meningkatkan akurasi deteksi. Pengujian ini berhasil mendapatkan akurasi dengan fitur TF-IDF mencapai 85,71%, fitur Word2Vec mencapai akurasi tinggi yaitu 90,24%, dan fitur BERT mendapatkan akurasi rendah 75,27%. Penelitian ini diharapkan dapat menjadi referensi bagi pengembangan lebih lanjut dalam sistem deteksi hoaks dan meningkatkan kesadaran masyarakat akan pentingnya verifikasi informasi.
Kata kunci: hoaks, bayesian neural network (BNN), pemilu 2024, media sosial, TF-IDF.
Unduhan
Referensi
“UNDANG-UNDANG DASAR NEGARA REPUBLIK INDONESIA 1945.”
M. Ravii Marwan Ahyad Jurusan Ilmu Komunikasi and F. Ilmu Komunikasi, “Analisis Penyebaran Berita Hoax di
Indonesia.” A. W. Fathurrahman et al., “Penerapan Machine Learning untuk Pengklasifikasian Hoaks pada Platform Media Sosial: Studi Literatur.”
B. Imran, M. Nasirudin Karim, and N. Isna Ningsih, “Klasifikasi Berita Hoax Terkait Pemilihan Umum Presiden Republik Indonesia Tahun 2024 Menggunakan Naive
Bayes dan SVM.” [Online]. Available: http://jurnal.dinarek.unsoed.ac.id
R. Darmawan, “Implementasi Metode K-Nearest Neighbor (K-NN) untuk Identifikasi Ujaran Kebencian Terhadap
Tokoh Politik pada Twitter,” Pekanbaru,
F. Rahutomo, I. Yanuar Risca Pratiwi, D. Mayangsari Ramadhani, and P. Negeri
Malang Jalan Soekarno Hatta No, “Eksperimen Naive Bayes pada Deteksi Berita Hoax Berbahasa Indonesia.”
F. Ismayanti and E. B. Setiawan, “Deteksi Konten Hoax Berbahasa Indonesia di Twitter Menggunakan Fitur Ekspansi dengan Word2Vec.”
Y. Riadi Silitonga, “Sistem Pendeteksi Berita Hoax di Media Sosial dengan Teknik Data Mining Scikit Learn,” 2019. [Online].
Available: www.beritasatu.com, R. Manthovani Universitas Pancasila Jl Lenteng Agung Raya No, S. Sawah, K.
Jagakarsa, K. Jakarta Selatan, and D. Khusus, “Dampak Berita Hoax Terhadap Keamanan Negara Dalam Persepektif Cyberlaw Bela Negara”, [Online].
Available: https://www.kemhan.go.id/belanegara/opini
/as
E. Goan and C. Fookes, “Bayesian Neural Networks: An
Introduction and Survey,” Jun. 2020, doi: 1007/978-3-030-42553-1_3.
D. Rosita, dan Syamsuddin
Mallala, S. Informasi, S. Widya Cipta
Dharma, T. Informatika, and P. Korespondensi, “Komparasi Data Mining Naive Bayes dan Neural Network Memprediksi Masa Studi Mahasiswa S1,” vol. 7, no. 3, pp. 443–452, 2020, doi: 25126/jtiik.202072093.
Y. Han, S. Karunasekera, and C. Leckie, “Graph Neural Networks with Continual Learning for Fake News Detection from Social Media,” Jul. 2020, [Online]. Available: http://arxiv.org/abs/2007.03316
M. Ibrahim, E. Bu, and I. Lubis, “RESOLUSI : Rekayasa Teknik Informatika dan Informasi Penerapan Algoritma Naive Bayes Classifier Untuk Mendeteksi Tingkat
Krediblitas Hoax News/ Fake News Pada Sosial Media Di Indonesia Berbasis Android (Studi Kasus : Kantor Tribun Medan),”
Media Online), vol. 1, no. 1, 2020, [Online]. Available: https://djournals.com/resolusi
C. S. Sriyano and E. B. Setiawan, “Pendeteksian Berita Hoax
Menggunakan Naive Bayes Multinomial Pada Twitter dengan Fitur Pembobotan TFIDF.”
N. Agustina, A. Adrian, and M. Hermawati, “Implementasi Algoritma Naïve Bayes Classifier untuk Mendeteksi Berita Palsu pada Sosial Media,” Faktor Exacta, vol. 14, no. 4, p. 206, Jan. 2022, doi: 30998/faktorexacta.v14i4.11259.
T. A. Roshinta, E. Kumala, and I. F. Dinata, “Sistem Deteksi Berita Hoax
Berbahasa Indonesia Bidang Kesehatan,” remik, vol. 7, no. 2, pp. 1167–1173, Apr., doi: 10.33395/remik.v7i2.12369.
L. Asa Akhrani, I. Herani, I. Asqori Pohan, and M. Afif Alhad, “Kekacauan Pemilu 2019: Fenomena
Firehose of falsehood dalam Relasi Sikap terhadap HOAX dan Kepercayaan Masyarakat Terhadap Komisi Pemilihan
Umum,” Jurnal Transformative, vol. 6, no., pp. 1–27, Mar. 2020, doi: 21776/ub.transformative.2020.006.01.1.
T. Ridwansyah, “KLIK: Kajian Ilmiah Informatika dan Komputer Implementasi Text Mining Terhadap Analisis Sentimen Masyarakat Dunia Di Twitter Terhadap Kota Medan
Menggunakan K-Fold Cross Validation Dan Naïve Bayes Classifier,” Media Online, vol.
