Latent Semantic Analysis (LSA) Dengan Metode Support Vector Machine (SVM) dan Algoritma Naïve Bayes Pada Identifikasi Berita Palsu

Aliffia Putri Dito; Pulung Nurtantio Andono; M. Arief Soeleman

doi:10.36312/10.36312/vol6iss10pp3837-3850

Aliffia Putri Dito Jurusan Teknik Informatika, Fakultas Ilmu Komputer, Universitas Dian Nuswantoro
Pulung Nurtantio Andono 3Jurusan Teknik Informatika, Fakultas Ilmu Komputer, Universitas Dian Nuswantoro
M. Arief Soeleman Jurusan Teknik Informatika, Fakultas Ilmu Komputer, Universitas Dian Nuswantoro

DOI: https://doi.org/10.36312/10.36312/vol6iss10pp3837-3850

Keywords: TF-IDF, LSA SVM, Naïve Bayes, Hoax

Abstract

Berita palsu atau disebut hoax banyak beredar di masyarakat. Penyebaran berita palsu dapat mudah menyerap masyarakat terlebih melalui media sosial. informasi yang tersebar melalui platform media sosial sangat mudah terserap bagi masyarakat. Para pengguna media sosial biasanya menjadi pembuat konten dengan jumlah penyebaran informasi yang cukup luas, dan memungkinkan adanya misinformasi yang tidak dapat diabaikan. Kredibilitas dari sumber informasi tersebut juga sangat penting untuk menghindari resiko mengkonsumsi berita palsu. Menurut data statistik yang diterbitkan oleh Stanford University academics, sebanyak 72,3 persen berita palsu berasal dari outlet berita sosial dan platform media sosial online. Identifikasi dalam berita palsu tersebut semakin meningkat penggunaannya namun pemeriksaan fakta dalam banyak kasus cukup sulit, memakan waktu dan memerlukan biaya yang besar. Penelitian ini dilakukan dengan menggunakan latent semantic analysis dengan metode support vector machine dan algoritma naïve bayes dalam identifikasi berita palsu. Hasil pengujian ini menghasilkan nilai akurasi sebesar 82,28% dengan metode support vector machine dan 81,39% pada algoritma naïve bayes.

References

Dunaway, J., Searles, K., Sui, M., & Paul, N. (2018). News attention in a mobile era. Journal of Computer-Mediated Communication, 23(2), 107–124.
Girgis, S., Amer, E., & Gadallah, M. (2018). Deep learning algorithms for detecting fake news in online text. 2018 13th International Conference on Computer Engineering and Systems (ICCES), 93–97.
Jamaludin, A. R. (2022). Deteksi berita hoax di media sosial twitter dengan ekspansi fitur menggunakan glove.
Nayoga, B. P., Adipradana, R., Suryadi, R., & Suhartono, D. (2021). Hoax analyzer for Indonesian news using deep learning models. Procedia Computer Science, 179, 704–712.
Panjaitan, A. T. B., & Santoso, I. (2021). Deteksi Hoaks Pada Berita Berbahasa Indonesia Seputar COVID-19. Jurnal FORMAT (Teknik Informatika), 10(1), 76.
Pedregosa, F., Varoquaux, G., Gramfort, A., Michel, V., Thirion, B., Grisel, O., Blondel, M., Prettenhofer, P., Weiss, R., & Dubourg, V. (2011). Scikit-learn: Machine learning in Python. The Journal of Machine Learning Research, 12, 2825–2830.
Rahutomo, F., Pratiwi, I. Y. R., & Ramadhani, D. M. (2019). Eksperimen naïve bayes pada deteksi berita hoax berbahasa Indonesia. Jurnal Penelitian Komunikasi Dan Opini Publik, 23(1).
Vijayarani, S., & Janani, R. (2016). Text mining: open source tokenization tools-an analysis. Advanced Computational Intelligence: An International Journal (ACII), 3(1), 37–47.
Xu, K., Wang, F., Wang, H., & Yang, B. (2019). Detecting fake news over online social media via dXu, K., Wang, F., Wang, H., & Yang, B. (2019). Detecting fake news over online social media via domain reputations and content understanding. Tsinghua Science and Technology, 25(1), 20–27.omain reputations. Tsinghua Science and Technology, 25(1), 20–27.