Salsabil, Cut Rifa (2026) PERBANDINGAN AKURASI ALGORITMA NAÏVE BAYES DAN SUPPORT VECTOR MACHINE DALAM MENDETEKSI HOAX PADA PORTAL BERITA NASIONAL DI INDONESIA. S1 thesis, Universitas Malikussaleh.

	Text Cover.pdf Download (40kB)
	Text ABSTRAK.pdf Download (15kB)
	Text BAB I.pdf Download (29kB)
	Text DAFTAR PUSTAKA.pdf Download (133kB)
	Text Skripsi CUT RIFA SALSABIL.pdf Restricted to Registered users only Download (6MB)

Abstract

Perkembangan teknologi informasi di Indonesia memicu masifnya penyebaran disinformasi atau hoaks melalui portal berita digital, sehingga membutuhkan sistem deteksi otomatis yang presisi. Penelitian ini bertujuan mengomparasi performa algoritma Naive Bayes dan Support Vector Machine (SVM) berkernel linear untuk mengklasifikasikan berita nasional menjadi kategori Hoaks dan Fakta. Dataset penelitian berjumlah 2.910 data berita periode 2025, yang terdiri dari 1.510 berita Hoaks dan 1.400 Fakta. Teks diproses melalui tahapan preprocessing (case folding, cleansing, stopword removal, stemming Sastrawi) dan ekstraksi fitur Term Frequency-Inverse Document Frequency (TF-IDF) berdimensi 8.000 kosa kata. Pembagian data latih dan uji menggunakan rasio 80:20. Hasil evaluasi model pada 582 data uji menunjukkan bahwa Naive Bayes menghasilkan akurasi 93,81%, presisi 93,84%, recall 93,81%, dan F1-score 93,82%. Di sisi lain, SVM memperoleh metrik performa merata sebesar 93,64%. Meskipun Naive Bayes unggul tipis secara statis dan lebih tangguh menekan False Negative (15 data), pengujian 5-Fold Cross Validation membuktikan SVM memiliki stabilitas generalisasi yang lebih tinggi dengan rata-rata F1-score 93,94% dibanding Naive Bayes (93,39%). SVM juga lebih optimal meminimalisir False Positive (17 data). Analisis kesalahan menemukan adanya keterbatasan bias tematik pada pembobotan leksikal saat memproses entitas bernama seperti media sosial. Kesimpulannya, Naive Bayes direkomendasikan untuk sistem yang memprioritaskan pemblokiran hoaks secara agresif, sedangkan SVM disarankan untuk sistem moderasi yang mengutamakan keadilan jurnalistik guna mencegah alarm palsu.

Item Type:	Thesis (S1)
Subjects:	Q Science > QA Mathematics > QA75 Electronic computers. Computer science Q Science > QA Mathematics > QA76 Computer software T Technology > T Technology (General)
Divisions:	Fakultas Teknik > 55201 - Jurusan Teknik Informatika
Depositing User:	Cut Rifa Salsabil
Date Deposited:	25 Sep 2026 03:36
Last Modified:	25 Sep 2026 03:36
URI:	https://rama.unimal.ac.id/id/eprint/23227

Actions (login required)

View Item