Open access Jurnal SINTA 2
Analisis Kinerja Algoritma Klasifikasi Teks Bert dalam Mendeteksi Berita Hoaks
Jurnal Teknologi Informasi dan Ilmu Komputer (JTIIK) · Vol. 11 No. 3 (2024) · pp. 537–546
- ISSN
- 2528-6579, 2355-7699
- Published
- 2024-07-31
- Publisher
- Fakultas Ilmu Komputer, Universitas Brawijaya
- Language
- id
Abstract
Bahasa Indonesia
Metode BERT dapat digunakan untuk menghasilkan hasil yang akurat dalam klasifikasi berita palsu dan berita benar. Hasil evaluasi menunjukkan bahwa model klasifikasi BERT memiliki akurasi sebesar 76% pada data validasi dalam mengklasifikasikan berita hoaks, yang menunjukkan performa atau kinerja model Machine Learning dalam melakukan klasifikasi berita hoaks. Sedangkan pada model klasifikasi BERT Multilingual memiliki akurasi lebih rendah, yakni 63%. Potensi metode ini dapat membantu dalam memerangi penyebaran berita palsu. Penelitian ini berpotensi memberikan kontribusi penting dalam memerangi penyebaran berita palsu di dunia digital yang semakin kompleks. Dengan menggunakan BERT sebagai pendekatan, model ini memungkinkan pengidentifikasian berita palsu yang lebih akurat, serta membantu masyarakat dalam menghindari konsumsi informasi yang salah. Dengan hasil yang positif ini, penelitian ini menunjukkan bagaimana teknologi machine learning dapat digunakan untuk melawan disinformasi dan menjadikan dunia maya menjadi tempat yang lebih terpercaya.
English
Teknologi yang mengalami perkembangan tentu memiliki dampak positif dan negatif. Internet yang menjadi hasil perkembangan teknologi tidak luput dari dampak negatif, yaitu munculnya hoaks. Hoaks merupakan berita palsu yang saat ini menjadi isu penting di masyarakat. Hoaks sengaja disebarkan untuk menimbulkan keresahan dan kegaduhan dalam berbagai bidang, seperti sosial budaya, politik, hingga ekonomi. Penelitian yang dilakukan berikut sangat penting karena dapat memberikan kontribusi penting dalam memerangi penyebaran berita hoaks di dunia digital yang semakin kompleks dengan melakukan klasifikasi berita benar dan berita hoaks. Dalam penelitian ini, data yang digunakan berasal dari tiga dataset publik yang diunduh dari website bernama “onlineacademiccommunity.uvic.ca”, “HuggingFace.co” dan “Kaggle.com”. Data dibagi menjadi tiga bagian: pelatihan (70%), validasi (15%), dan pengujian (15%). Model BERT diinisialisasi, optimizer AdamW digunakan dengan NLLLoss, dan model dilatih selama beberapa epoch. Model dievaluasi menggunakan data validasi untuk menghindari overfitting. Model yang digunakan untuk mengklasifikasikan data uji. Hasil evaluasi menunjukkan bahwa model klasifikasi BERT memiliki akurasi sebesar 76% pada data validasi dalam mengklasifikasikan berita hoaks, yang menunjukkan performa atau kinerja model Machine Learning dalam melakukan klasifikasi berita hoaks. Sedangkan pada model klasifikasi BERT Multilingual memiliki akurasi lebih rendah, yakni 63%. Penelitian ini berpotensi memberikan kontribusi penting dalam memerangi penyebaran berita hoaks di dunia digital yang semakin kompleks. Dengan menggunakan BERT sebagai pendekatan, model ini memungkinkan pengidentifikasian berita hoaks yang lebih akurat, serta membantu masyarakat dalam menghindari konsumsi informasi yang salah. Dengan hasil yang positif ini, penelitian ini menunjukkan bagaimana teknologi machine learning dapat digunakan untuk melawan disinformasi dan menjadikan dunia maya menjadi tempat yang lebih terpercaya. Abstract The development of technology certainly has positive and negative impacts. The internet, which is the result of technological development, does not escape the negative impact, namely the emergence of hoaxes. Hoaxes are fake news that is currently an important issue in society. Hoaxes are deliberately spread to cause unrest and uproar in various fields, such as socio-culture, politics, and economics. The following research is very important because it can make an important contribution in combating the spread of hoax news in an increasingly complex digital world by classifying true news and hoax news. In this research, the data used comes from three public datasets downloaded from websites named "onlineacademiccommunity.uvic.ca", "HuggingFace.co" and "Kaggle.com". The data is divided into three parts: training (70%), validation (15%), and testing (15%). The BERT model was initialized, the AdamW optimizer was used with NLLLoss, and the model was trained for several epochs. The model was evaluated using validation data to avoid overfitting. The model was used to classify the test data. The evaluation results show that the BERT classification model has an accuracy of 76% on validation data in classifying hoax news, which shows the performance of the Machine Learning model in classifying hoax news. Meanwhile, the BERT Multilingual classification model has a lower accuracy of 63%. This research has the potential to make an important contribution in combating the spread of hoax news in an increasingly complex digital world. By using BERT as an approach, this model allows for more accurate identification of hoax news, as well as assisting the public in avoiding the consumption of misinformation. With these positive results, this research shows how machine learning technology can be used to fight disinformation and make cyberspace a more trusted place.
Keywords
Collaboration network of the authors
40 authors · 110 co-authorship links · showing the 40 most connected
Hover or tap a name to highlight its co-authors. Double-click to open the author's page.
- University of Brawijaya
- Affiliation unknown
- Different organisations
- Same organisation
- Affiliation unknown
- Thicker line = more joint articles · bigger circle = more articles
Show as table
| Co-author | Organisation | Joint articles |
|---|---|---|
| Fitra Abdurrachman Bachtiar | University of Brawijaya | 2 |
| Achmad Ridok | University of Brawijaya | 2 |
| Yuita Arum Sari | University of Brawijaya | 1 |
| Fadhil Yusuf Rahadika | University of Brawijaya | 1 |
| Agus Wahyu Widodo | University of Brawijaya | 1 |
| Bayu Rahayudi | University of Brawijaya | 1 |
| M. Sofyan Irwanto | University of Brawijaya | 1 |
| Candra Dewi | University of Brawijaya | 1 |
| Nurfatima Selle | University of Brawijaya | 1 |
| Zainal Arifien | University of Brawijaya | 1 |
| Fitra Abdurrahman Bachtiar | Affiliation unknown | 1 |
| Alvin Tarisa Akbar | University of Brawijaya | 1 |
| Michael Stephen Lui | University of Brawijaya | 1 |
| Daniel Geoffrey Manurung | University of Brawijaya | 1 |
| Mohammad Ryan Pinasthika | University of Brawijaya | 1 |
| Muhammad Azka Obila Vasya | University of Brawijaya | 1 |
| Rania Aprilia Dwi Setya Putri | University of Brawijaya | 1 |
| Agustinus Parasian Tampubolon | University of Brawijaya | 1 |
| Rakan Fadhil Prayata | University of Brawijaya | 1 |
| Septia Khoirin Nisa | University of Brawijaya | 1 |
| Mohammad Alfiano Rizky Mahardika | University of Brawijaya | 1 |
| Yehezkiel Stephanus Austin | University of Brawijaya | 1 |
| Haikal Irfano | University of Brawijaya | 1 |
| Juan Young Christopher | University of Brawijaya | 1 |
| Lintang Cahyaning Sukma | University of Brawijaya | 1 |
| Octo Perdana Putra | University of Brawijaya | 1 |
| Riyadh Ilham Ardhanto | University of Brawijaya | 1 |
| Sulthan Abiyyu Hakim | University of Brawijaya | 1 |
| Muhammad Ubaidillah | University of Brawijaya | 1 |
| Aditya Ramadhan | University of Brawijaya | 1 |
| Rahmada Zulvia Azzahra Hawari | University of Brawijaya | 1 |
| Audhinata Bebytama Rizky | University of Brawijaya | 1 |
| Lailil Muflikhah | University of Brawijaya | 1 |
Affiliations come from OpenAlex; journal OAI-PMH metadata carries none. Authors without an OpenAlex ID are matched by name, which can merge or split people.