Naïve Bayes Berbasis TF-IDF Meningkatkan Kinerja Klasifikasi Berita Hoaks Program Makan Bergizi Gratis

Abstrak

Perkembangan teknologi informasi yang semakin pesat menyebabkan penyebaran berita hoaks di media digital meningkat dan berpotensi memengaruhi opini publik, sehingga diperlukan sistem otomatis untuk membedakan berita hoaks dan fakta. Penelitian ini bertujuan untuk mengklasifikasikan berita hoaks dan fakta menggunakan pendekatan text mining dengan metode TF-IDF sebagai ekstraksi fitur serta algoritma K-Nearest Neighbor (KNN) dan Naïve Bayes sebagai metode klasifikasi. Dataset yang digunakan berjumlah 1.121 data berita yang diperoleh dari sumber data teks dan kemudian melalui tahap preprocessing, pembobotan kata menggunakan TF-IDF, serta penanganan ketidakseimbangan data menggunakan Synthetic Minority Oversampling Technique (SMOTE) yang diterapkan pada data training dalam proses cross validation untuk menghindari data leakage. Evaluasi model dilakukan menggunakan metrik accuracy, precision, recall, dan F1-score. Hasil penelitian menunjukkan bahwa algoritma Naïve Bayes memiliki performa yang lebih unggul dibandingkan KNN dengan nilai accuracy sebesar 95,74%, precision 94,98%, recall 95,23%, dan F1-score 95,10%, sedangkan KNN memperoleh accuracy 48,97%, precision 68,59%, recall 62,46%, dan F1-score 65,32%. Berdasarkan hasil tersebut, dapat disimpulkan bahwa Naïve Bayes lebih efektif dan stabil dalam melakukan klasifikasi berita hoaks dan fakta berbasis representasi TF-IDF.

Identifier

• DOI: https://doi.org/10.33364/algoritma/v.23-1.3484
• OpenAlex: https://openalex.org/W7164806480