%K Berita Hoaks, Klasifikasi Teks, BiLSTM, BiGRU, FastText, GloVe, Fake News, Text Classification.
%I Universitas AMIKOM Yogyakarta
%T ANALISIS PERFORMA BILSTM DAN BIGRU DALAM
KLASIFIKASI BERITA HOAKS BAHASA INDONESIA
%A Adib Ramadhan
%D 2026
%L universitasamikomyogyakarta32247
%X Penyebaran berita hoaks di media digital semakin meningkat dan
memberikan dampak negatif terhadap masyarakat, seperti menurunnya
kepercayaan publik, munculnya kesalahpahaman informasi, serta potensi gangguan
stabilitas sosial. Oleh karena itu, penelitian ini bertujuan untuk menganalisis dan
membandingkan performa model klasifikasi berita hoaks berbahasa Indonesia
menggunakan metode Bidirectional Long Short-Term Memory (BiLSTM) dan
Bidirectional Gated Recurrent Unit (BiGRU) dengan fitur ekstraksi word
embedding FastText dan GloVe. Dataset berita hoaks dan non-hoaks diproses
melalui tahap preprocessing yang meliputi case folding, cleaning, normalisasi
singkatan, stopword removal, stemming dan tokenizing untuk persiapan pelatihan
model. Selanjutnya model dilatih menggunakan hyperparameter tuning dan k-fold
cross validation, kemudian di evaluasi menggunakan metrik evaluasi akurasi,
presisi, recall, F1-score dan confusion matrix. Hasil penelitian menunjukkan bahwa
seluruh model menghasilkan performa yang sangat baik. Model BiLSTM dengan
FastText memperoleh akurasi sebesar 98,90%, sedangkan BiLSTM dengan GloVe
mencapai akurasi 98,72%. Model BiGRU menunjukkan performa yang lebih
unggul, dengan akurasi 99,02% pada FastText dan 99,27% pada GloVe, disertai
nilai Presisi, recall, dan F1-score di atas 99%. Hasil ini mengindikasian bahwa
model BiGRU dengan word embedding GloVe merupakan kombinasi terbaik
dalam penelitian ini untuk klasifikasi berita hoaks berbahasa Indonesia.