PERBANDINGAN METODE MULTINOMIAL NAÏVE BAYES DAN SUPPORT VECTOR MACHINE DALAM MENGKLASIFIKASI BERITA HOAX POLITIK INDONESIA

Musaddam, Musaddam (2025) PERBANDINGAN METODE MULTINOMIAL NAÏVE BAYES DAN SUPPORT VECTOR MACHINE DALAM MENGKLASIFIKASI BERITA HOAX POLITIK INDONESIA. Skripsi thesis, UNAMA.

	Text BAB I.pdf Download (594kB)
	Text BAB II.pdf Restricted to Registered users only Download (834kB)
	Text BAB III.pdf Restricted to Registered users only Download (878kB)
	Text BAB IV.pdf Restricted to Registered users only Download (2MB)
	Text BAB V.pdf Download (468kB)
	Text DAFTAR PUSTAKA.pdf Download (259kB)

Abstract

Berita hoax menjadi salah satu permasalahan serius di era digital, terutama dalam ranah politik. Penyebaran informasi yang tidak benar dapat mempengaruhi opini publik dan berpotensi menimbulkan pemecahan di masyarakat. Oleh karena itu, di perlukan metode yang efektif untuk mengklasifikasi berita hoax agar dapat mengurangi dampak negatifnya. Penelitian ini bertujuan untuk membandingkan kinerja dua algortima klasifikasi teks, yaitu Multinomial Naïve Bayes (MNB) dan Support Vector Machine (SVM), dalam mengklasifiksai berita hoax politik di Indonesia. Dataset yang diperoleh dari Kaggle, yang berisi 27.477 baris berita. Data ini kemudian diproses melalui tahap preprocessing, seperti cleaning, case folding, tokenizing, normalization, filtering, dan stemming kemudian fitur teks diekstraksi menggunakan metode Term Frequency-Inverse Document Frequency (TF-IDF) sebelum diklasifikasi menggunakan algortima MNB dan SVM. Evaluasi model dilakukan menggunakan metrik akurasi, precision, recall, dan f1-score, dengan skenario pembagian data 60:40, 70:30, 80:20, 90:10. Hasil penelitian menunjukkan bahwa SVM memberikan kinerja yang lebih unggul dibandingkan MNB. Pada metrik akurasi, SVM secara konsisten memperoleh nilai yang lebih tinggi dibandingkan MNB, dengan hasil terbaik pada skenario pembagian data 90:10 sebesar 98.54%, sedangkan MNB hanya mencapai 91.00%. Dari segi precision, model SVM juga lebih unggul, dengan nilai tertinggi 98.44% pada skenario 90:10, sementara MNB hanya mencapai 89.46%. Meskipun recall MNB lebih tinggi di semua skenario, dengan nilai tertinggi 99.98% pada skenario 2 dan 3, SVM tetap memberikan hasil yang kompetitif, dengan recall tertinggi 99.66% pada skenario 4. Pada metrik F1-score, SVM menunjukkan hasil yang lebih baik dibandingkan MNB di semua skenario, dengan nilai tertinggi 99.05% pada skenario 90:10, sedangkan MNB hanya mencapai 94.61% pada skenario 80:20.

Actions (login required)

View Item