DETEKSI BERITA HOAKS PADA MEDIA DARING MENGGUNAKAN MODEL MACHINE LEARNING

IKHTIARTI, DYAH (2025) DETEKSI BERITA HOAKS PADA MEDIA DARING MENGGUNAKAN MODEL MACHINE LEARNING. Other thesis, UNIVERSITAS BINA DARMA.

	Text (BAB 0) 0.pdf Download (6MB)
	Text (BAB 1) 1.pdf Download (1MB)
	Text (DAFTAR PUSTAKA) D.pdf Download (635kB)
	Text (FULLBAB SKRIPSI) F_compressed (59).pdf Restricted to Repository staff only Download (1MB)

Abstract

Membedakan teks Objektif dan Subyektif dalam pemrosesan bahasa alami menimbulkan tantangan yang signifikan, terutama mengingat sifat bahasa dan sentimen manusia yang berbeda-beda dalam penerapan pendeteksian fakta dan berita palsu. Laporan akhir ini berupaya mengevaluasi dan membandingkan kemanjuran berbagai pendekatan pembelajaran mesin dalam klasifikasi teks, khususnya berfokus pada mengidentifikasi konten Objektif versus Subjektif. Kami menggunakan tiga metode berbeda: jaringan Long Short-Term Memory (LSTM), TextBlob, dan pendekatan gabungan menggunakan TextBlob dan VADER. Setiap metode dinilai berdasarkan presisi, perolehan, skor F1, dan akurasi keseluruhan yang diperoleh dari confusion matrix dan laporan klasifikasi. Studi ini memperkenalkan kombinasi baru alat analisis sentimen TextBlob dan VADER untuk meningkatkan akurasi klasifikasi. Pendekatan ini memanfaatkan pemrosesan bahasa TextBlob yang bernuansa untuk subjektivitas dan polaritas serta sensitivitas VADER terhadap isyarat sentimen kontekstual. Kombinasi pendekatan TextBlob dan VADER secara signifikan mengungguli metode lainnya, mencapai skor presisi, perolehan, dan F1 tertinggi di kelas Objektif dan Subjektif, dengan akurasi keseluruhan sebesar 94%. Hal ini menunjukkan peningkatan substansial dalam mengklasifikasikan data tekstual yang berbeda dengan benar. Integrasi beberapa alat analisis sentimen, seperti yang ditunjukkan oleh kombinasi TextBlob dan VADER, memberikan solusi kuat terhadap tantangan klasifikasi teks. Kinerja metode ini yang unggul menunjukkan bahwa memanfaatkan analisis linguistik pelengkap dapat secara signifikan meningkatkan efektivitas sistem klasifikasi dalam beragam aplikasi. Penelitian di masa depan harus mengeksplorasi integrasi lebih lanjut dari alat linguistik dan perluasan ke dalam kumpulan data yang lebih kompleks untuk memvalidasi dan memperluas temuan ini.

Actions (login required)

View Item