Maheswara, Naufal (2025) ALGORITMA MACHINE LEARNING YANG DITINGKATKAN DENGAN GRIDSEARCHCV UNTUK KLASIFIKASI BERITA HOAKS PADA PLATFORM BERITA INDONESIA. S1 - Sarjana thesis, Universitas AMIKOM Yogyakarta.
![[img]](https://eprints.amikom.ac.id/style/images/fileicons/text.png) |
Text (COVER-ABSTRAK)
COVER.pdf - Published Version Download (621kB) |
|
Text (BAB I)
BAB I.pdf - Published Version Download (275kB) |
|
Text (BAB II)
BAB II.pdf - Published Version Restricted to Registered users only Download (721kB) |
|
Text (BAB III)
BAB III.pdf - Published Version Restricted to Registered users only Download (584kB) |
|
Text (BAB IV)
BAB IV.pdf - Published Version Restricted to Registered users only Download (1MB) |
|
Text (BAB V)
BAB V.pdf - Published Version Download (56kB) |
|
Text (DAFTAR PUSTAKA)
Daftar Pustaka.pdf - Published Version Restricted to Registered users only Download (135kB) |
![[img]](https://eprints.amikom.ac.id/style/images/fileicons/archive.png) |
Archive (SOURCE CODE)
Sourcecode - 21.83.0663.zip - Published Version Restricted to Repository staff only Download (7MB) |
|
Text (PUBLIKASI)
Publikasi.pdf - Published Version Restricted to Repository staff only Download (708kB) |
Abstract
Di media sosial dan platform berita, mendeteksi berita palsu menjadi krusial. Lima algoritma pembelajaran mesin, yaitu K-Nearest Neighbors, Naïve Bayes, Random Forest, Support Vector Machine, dan XGBoost, digunakan dalam sistem deteksi berita palsu yang diusulkan dalam studi ini untuk mengklasifikasikan berita. Prapemrosesan teks, prosedur klasifikasi, dan penyetelan hiperparameter GridSearchCV merupakan tiga bagian utama sistem ini. Persentase hoaks dan berita yang sah cukup tinggi dapat ditemukan dalam 3000 item berita dalam dataset, yang dibagi menjadi 80% pelatihan dan 20% pengujian. Pembersihan data, tokenisasi, eliminasi stopword, dan komputasi TF-IDF untuk ekstraksi fitur merupakan langkah-langkah dalam prosedur prapemrosesan teks. Berdasarkan hasil evaluasi, model SVM memiliki akurasi terbaik (97%), diikuti oleh Random Forest dan XGBoost, yang keduanya memiliki akurasi 96%. Model-model ini berkinerja sangat baik dalam hal presisi, recall, dan skor F1, yang secara efektif membedakan antara berita yang sah dan palsu. Semua algoritma menunjukkan peningkatan kinerja yang signifikan selama penyetelan GridSearchCV, dengan SVM mempertahankan akurasinya yang lebih baik. Dengan temuan-temuan yang relevan dan aplikasi yang bermanfaat dalam sistem deteksi otomatis, studi ini menunjukkan bahwa penggunaan algoritma pembelajaran mesin dalam identifikasi berita hoaks dapat meningkatkan efektivitas verifikasi berita di Indonesia
| Item Type: | Thesis (S1 - Sarjana) | ||
|---|---|---|---|
| Contributor: |
|
||
| Uncontrolled Keywords: | Berita hoax, Deteksi hoax, Pembelajaran mesin, Algoritma klasifikasi, Klasifikasi teks, Hoax news, Hoax detection, Machine learning, Classification algorithms, Text classification | ||
| Subjects: | 000 - Komputer, Informasi dan Referensi Umum > 000 Ilmu komputer, ilmu pengetahuan dan sistem-sistem > 000 Ilmu komputer, informasi dan pekerjaan umum 000 - Komputer, Informasi dan Referensi Umum > 000 Ilmu komputer, ilmu pengetahuan dan sistem-sistem > 005 Pemrograman komputer, program dan data |
||
| Divisions: | Fakultas Ilmu Komputer > Teknik Komputer | ||
| Depositing User: | RC Universitas AMIKOM Yogyakarta | ||
| Date Deposited: | 13 Feb 2026 07:34 | ||
| Last Modified: | 13 Feb 2026 07:34 | ||
| URI: | http://eprints.amikom.ac.id/id/eprint/31514 |
Actions (login required)
 |
View Item |