skip to main content

Analisis Perbandingan Algoritma Naive Bayes Classifier dan Support Vector Machine untuk Klasifikasi Berita Hoax pada Berita Online Indonesia

Universitas Dian Nuswantoro, Indonesia

Received: 29 Jul 2022; Revised: 10 Oct 2022; Accepted: 11 Oct 2022; Available online: 8 Nov 2022; Published: 8 Nov 2022.
Editor(s): Panji Wirawan
Open Access Copyright (c) 2022 JURNAL MASYARAKAT INFORMATIKA
Creative Commons License This work is licensed under a Creative Commons Attribution-ShareAlike 4.0 International License.

Citation Format:
Abstract
Masyarakat mampu mengkonsumsi tiap informasi yang tersebar di internet dengan cepat dan terkadang informasi yang beredar tidak selalu memberikan kebenaran yang sesuai dengan kenyataannya (hoax). Demi mendapatkan keuntungan dan mencapai tujuan pribadi, hoax seringkali sengaja dibuat dan dibagikan. Informasi yang didapatkan dari hoax tentunya dapat mempengaruhi masyarakat karena menimbulkan keraguan dan kebingungan terhadap informasi yang diterima Oleh karena itu, penelitian ini membahas tentang bagaimana mengklasifikasikan berita hoax berbahasa Indonesia mengenai isu kesehatan menggunakan TF-IDF serta algoritma Naïve Bayes Classifier dan Support Vector Machine dengan 4 model yang berbeda sehingga mampu memprediksi sebuah berita hoax atau valid. Pada penelitian ini dataset yang dikumpulkan sebanyak 287 diantaranya 200 valid dan 87 hoax. Hasil evaluasi model penelitian ini dengan menggunakan 4 model berbeda pada masing-masing algoritma, diperoleh nilai classification report terbesar untuk algoritma NBC pada model Complement Naïve Bayes dengan hasil precision 95.4%, recall 95.4%, f1-score 95.4% dan accuracy 93.1%. Sedangkan nilai classification report terbesar untuk algoritma SVM pada kernel Sigmoid dengan hasil precision 95.6%, recall 100%, f1-score 97.7% dan accuracy 96.5%. Sehingga dapat disimpulkan bahwa hasil performa rata-rata dari algoritma SVM memiliki kinerja yang lebih baik jika dibandingkan dengan algoritma NBC dalam melakukan klasifikasi berita hoax mengenai isu kesehatan.
Fulltext View|Download
Keywords: Naïve Bayes Classifier; Support Vector Machine; Klasifikasi Berita Hoax; Berita Hoax; TF-IDF

Article Metrics:

  1. V. B. Kusnandar, “Pengguna Internet Indonesia Peringkat ke-3 Terbanyak di Asia,” databoks.katadata.co.id, 2021.
  2. C. Juditha, “Hoax Communication Interactivity in Social Media and Anticipation (Interaksi Komunikasi Hoax di Media Sosial serta Antisipasinya),” Pekommas, 2018
  3. I. R. Cahyadi, “Survei KIC: Hampir 60% Orang Indonesia Terpapar Hoax Saat Mengakses Internet,” beritasatu.com, 2020.
  4. Dimas Andhika Fikri, “3 Alasan Orang Suka Sebar Hoax soal Kesehatan : Okezone Lifestyle,” lifestyle.okezone.com, 2020.
  5. P. Valdiviezo-Diaz, F. Ortega, E. Cobos, dan R. Lara-Cabrera, “A Collaborative Filtering Approach Based on Naïve Bayes Classifier,” IEEE Access, vol. 7, hal. 108581–108592, 2019, doi: 10.1109/access.2019.2933048
  6. F.-J. Yang, “An Implementation of Naive Bayes Classifier,” 2018 Int. Conf. Comput. Sci. Comput. Intell., 2018, doi: 10.1109/csci46756.2018.00065
  7. M. A. Rahmat, Indrabayu, dan I. S. Areni, “Hoax web detection for news in bahasa using support vector machine,” 2019 Int. Conf. Inf. Commun. Technol. ICOIACT 2019, hal. 332–336, Jul 2019, doi: 10.1109/ICOIACT46704.2019.8938425
  8. S. Aphiwongsophon dan P. Chongstitvatana, “Detecting fake news with machine learning method,” ECTI-CON 2018 - 15th Int. Conf. Electr. Eng. Comput. Telecommun. Inf. Technol., hal. 528–531, Jan 2019, doi: 10.1109/ECTICON.2018.8620051
  9. M. G. Hussain, M. R. Hasan, M. Rahman, J. Protim, dan S. Al Hasan, “Detection of Bangla Fake News using MNB and SVM Classifier,” Mei 2020
  10. A. Y. Prayoga, A. I. Hadiana, dan F. R. Umbara, “Deteksi Hoax pada Berita Online Bahasa Inggris Menggunakan Bernoulli Naïve Bayes dengan Ekstraksi Fitur Tf-Idf,” J. Syntax Admiration, vol. 2, no. 10, hal. 1808–1823, 2021
  11. N. Kousika, S. Deepa, C. Deephika, B. M. Dhatchaiyine, dan J. Amrutha, “A system for fake news detection by using supervised learning model for social media contents,” Proc. - 5th Int. Conf. Intell. Comput. Control Syst. ICICCS 2021, hal. 1042–1047, Mei 2021, doi: 10.1109/ICICCS51141.2021.9432096
  12. Shivam Kohli, “Understanding a Classification Report For Your Machine Learning Model,” Medium, Nov-2019
  13. A. Patle dan D. S. Chouhan, “SVM kernel functions for classification,” 2013 Int. Conf. Adv. Technol. Eng. ICATE 2013, 2013, doi: 10.1109/ICAdTE.2013.6524743
  14. S. Wang dan C. D. Manning, “Baselines and bigrams: Simple, good sentiment and topic classification,” 50th Annu. Meet. Assoc. Comput. Linguist. ACL 2012 - Proc. Conf., vol. 2, no. July, hal. 90–94, 2012

Last update:

  1. Development and Comparison of Multiple Emotion Classification Models in Indonesia Text Using Machine Learning

    Ahmad Zamsuri, Sarjon Defit, Gunadi Widi Nurcahyo. Journal of Advances in Information Technology, 15 (4), 2024. doi: 10.12720/jait.15.4.519-531
  2. Classification of Hoax News Using Machine Learning and Neural Networks with BERT Embeddings

    Budi Juarto. 2023 3rd International Conference on Electronic and Electrical Engineering and Intelligent System (ICE3IS), 2023. doi: 10.1109/ICE3IS59323.2023.10335413

Last update: 2024-07-16 01:08:22

No citation recorded.