Deteksi Konten Hoax Pada Media Berita Indonesia Menggunakan Multinomial Naïve Bayes
Article Sidebar
Main Article Content
Abstract
Berita hoax merupakan masalah yang perlu ditanggulangi di Indonesia. Melansir laporan dari Kominfo (Kementerian Komunikasi dan Informatika) pada tahun 2020 saja terdeteksi 3.464 berita hoaks. mengingat jumlahnya yang banyak, maka akan sangat sulit untuk mengidentifikasi setiap berita yang ada di Indonesia, tidak secara cepat apalagi secara komprehensif. Oleh karena itu, dibutuhkan suatu alat atau sistem yang dapat mendeteksi berita yang tersebar, secara cepat dan efisien. Dengan tujuan tersebut, penelitian ini dilakukan, dengan menggunakan metode yang digunakan oleh Multinomial Naïve Bayes (MNB). Pada penelitian sebelumnya, masih terdapat beberapa kekurangan yang dapat ditutupi dengan improvisasi. Untuk berimprovisasi dalam klasifikasi berita hoaks, metode MNB dipilih untuk penelitian ini. MNB sendiri merupakan jenis Naïve Bayes yang sering digunakan untuk analisis teks dimana data direpresentasikan dalam bentuk vektor frekuensi kata. sebagai rival pembanding untuk MNB, Gaussian Naïve Bayes juga akan didatangkan untuk penelitian ini. dengan total 998 data berita yang bersumber dari turnbackhoax.id dan sebagai pembanding penelitian ini juga menggunakan data dari penelitian sebelumnya yang berjumlah 250 berita. Hasil yang diperoleh dengan metode GNB mencapai akurasi 94% dan akurasi tertinggi untuk metode MNB adalah 96% yang menunjukkan MNB lebih baik.
Downloads
Article Details
This work is licensed under a Creative Commons Attribution-NonCommercial-NoDerivatives 4.0 International License.
References
J. W. Yodha and A. W. Kurniawan, “Pengenalan Motif Batik Menggunakan Deteksi Tepi Canny Dan K-Nearest Neighbor,” J. Techno.COM, Vol. 13, No. 4, Novemb. 2014 251-262, vol. 13, no. 4, pp. 251–262, 2014.
I. Nurhaida, A. Noviyanto, R. Manurung, and A. M. Arymurthy, “Automatic Indonesian’s Batik Pattern Recognition Using SIFT Approach,” Procedia Comput. Sci., vol. 59, no. Iccsci, pp. 567–576, 2015.
D. Yuliati, “Mengungkap Sejarah Dan Motif,” Paramita, vol. 20, no. 1, pp. 11–20, 2010.
A. A. Utama, R. Efendi, D. Andreswari, and J. Rekursif, “Klasifikasi Motif Batik Besurek Menggunakan Metode Rotated Haar Wavelet Transformation Dan,” Rekursif, pp. 161–175, 2016.
Y. Azhar, A. E. Minarno, and Y. Munarko, “Optimasi Deteksi Texton Pada Metode Multi Texton Co - Occurrence Descriptor Untuk Image Retrieval,” pp. 34–38, 2018.
M. M. Susilo, D. M. Wonohadidjojo, and N. Sugianto, “Pengenalan Pola Karakter Bahasa Jepang Hiragana Menggunakan 2D Convolutional Neural Network,” J. Inform. dan Sist. Inf. Univ. Ciputra, vol. 03, no. 02, pp. 28–36, 2017.
I. W. S. E. Putra, “Klasifikasi Citra Menggunakan Convolutional Neural Network (Cnn) Pada Caltech 101,” J. Tek. ITS, vol. 5, no. 1, p. 76, 2016.
Q. Guan et al., “Deep convolutional neural network VGG-16 model for differential diagnosing of papillary thyroid carcinomas in cytological images: A pilot study,” J. Cancer, vol. 10, no. 20, pp. 4876–4882, 2019.
Z. Yang, J. Yue, Z. Li, and L. Zhu, “Vegetable Image Retrieval with Fine-tuning VGG Model and Image Hash,” IFAC-PapersOnLine, vol. 51, no. 17, pp. 280–285, 2018.
Y. Gultom, A. M. Arymurthy, and R. J. Masikome, “Batik Classification using Deep Convolutional Network Transfer Learning,” J. Ilmu Komput. dan Inf., vol. 11, no. 2, p. 59, 2018.
Sam’ani and M. H. Qamaruzzaman, “Pengenalan Huruf Dan Angka Tulisan Tangan Mengunakan Metode Convolution Neural Network ( CNN ),” J. Speed – Sentra Penelit. Eng. dan Edukasi, vol. 9, no. 2, pp. 55–64, 2017.
G. Santoso, Aditya and Ariyanto, “Implementasi Deep Learning Berbasis Keras Untuk Pengenalan Wajah,” Emit. J. Tek. Elektro, vol. 18, no. 01, pp. 15–21, 2018.
G. Lin and W. Shen, “Research on convolutional neural network based on improved Relu piecewise activation function,” Procedia Comput. Sci., vol. 131, pp. 977–984, 2018.