ANALISIS PERBANDINGAN MODEL NAÏVE BAYES DAN LOGISTIC REGRESSION BERBASIS TF-IDF DALAM MENDETEKSI BERITA HOAKS BERBAHASA INDONESIAZidna RohmatalIkhsanauthorPenyebaran berita hoaks di Indonesia semakin meningkat seiring dengan berkembangnya media digital dan media sosial. Hal ini menimbulkan kebutuhan terhadap sistem pendeteksi otomatis yang mampu mengidentifikasi berita hoaks secara cepat dan akurat. Penelitian ini bertujuan untuk menganalisis dan membandingkan kinerja dua algoritma klasifikasi teks, yaitu Naive Bayes dan Logistic Regression, dengan menggunakan representasi fitur TF-IDF (Term Frequency–Inverse Document Frequency). Dataset yang digunakan terdiri dari sekitar 2.600 data berita hoaks dan non-hoaks berbahasa Indonesia. Tahapan penelitian meliputi pengumpulan data, preprocessing teks, ekstraksi fitur TF-IDF, pelatihan model, dan evaluasi menggunakan metrik accuracy, precission, recall, dan F1-score. Hasil penelitian menunjukkan bahwa kedua model mampu melakukan klasifikasi berita hoaks dengan baik, namun Logistic Regression memberikan performa yang lebih stabil dan optimal dibandingkan Naïve Bayes berdasarkan nilai evaluasi yang diperoleh. Dengan demikian, Logistic Regression berbasis TF-IDF direkomendasikan sebagai model yang lebih efektif untuk mendeteksi berita hoaks berbahasa Indonesia.004 Pemrosesan data dan ilmu komputer2026-01-20Universitas AMIKOM Yogyakarta;Fakultas Ilmu KomputerThesis