Klasifikasi Berita Hoaks Menggunakan Algoritma Vector Space Model

research
  • 17 Mar
  • 2024

Klasifikasi Berita Hoaks Menggunakan Algoritma Vector Space Model

Sebuah berita terkait suatu informasi yang beredar di media
cetak atau mainstream akan menjadikan opini publik tentang
suatu masalah baik yang bersifat informasi positif atau negatif,
perkembangan teknologi informasi sekarang ini menyebabkan
penyebaran informasi bisa uptodate setiap harinya. Dengan
semakin mudahnya sebuah informasi menyebar maka akan
semakin mudah pula mempengaruhi kehidupan dalam sosial
masyarakat sekarang ini. Namun pada kenyataannya informasi
yang beredar di media itu tidak semuanya benar atau bisa
dikatakan adanya suatu berita hoax atau tidak benar. Dalam
penelitian ini bertujuan untuk mengklasifikasi sistem temu
kembali informasi berita hoaks menggunakan metode vektor
space model untuk memastikan kebenaran suatu berita apakah
berita hoax atau tidak. Dalam penelitian tersebut menghasilkan
klasifikasi kebenaran berita dengan akurasi terbaik pada K-6
sebesar 83%, artinya dengan akurasi tersebut bisa memvalidasi
klasifikasi terkait informasi berita benar ataupun hoax sebesar
83%.

Unduhan

 

REFERENSI

[1] A. Budiwiyanto, “Penyerapan Kosakata Bahasa Daerah ke dalam Bahasa Indonesia pada Kamus Besar Bahasa Indonesia Edisi IV,” Mabasan, vol. 3, no. 1, pp. 1–14, 2019.
[2] A. Baswedan, “https://www.cnnindonesia.com/nasional/20170109013304-20-184857/anies-baswedan-berita-hoax-itu-berbahaya,” Diakses : 20 Oktober 2021, 2021. .
[3] Anna and A. Hendini, “Implementasi Vector Space Model Pada Sistem Pencarian Mesin Karaoke,” Evolusi J. Sains dan Manaj., vol. 6, no. 1, pp. 1–6, 2018.
[4] U. Nurhasan, R. Arianto, A. G. Kurnia, J. Soekarno, and H. No, “Penerapan Vector Space Model Dalam Klasifikasi Penilaian Thematic Appeception Test,” vol. 5, no. September, pp.551–564, 2021.
[5] B. S, “Aplikasi Pencarian Bahan Pustaka Di Perpustakaan Menggunakan Metode Vector Space Model,” J I M P - J. Inf., vol. 5, no. 2, 2021.
[6] I. R. Priandono, M. Hakimah, and N. F. Rozi, “Implementasi Vector Space Model Dengan Pembobotan Berbasis Kelas Pada Mesin Pencari Dokumen Skripsi,” vol. 5, no. 2, pp. 54–58, 2020.
[7] A. D. P, Lutfiyatul, A. Z, Maryamah, R. W, and Rarasmaya, “Metode Pembobotan Kata Berbasis Cluster Untuk Perangkingan Dokumen Berbahasa Arab,” Techno.COM, vol. 20, no. 2, pp. 259–267, 2021.
[8] H. A. Gozali, M. A. Rosid, and Sumarno, “Klasifikasi Keluhan Mahasiswa dengan Metode Naive Bayes dan Sastrawi,” JOINCS (Journal Informatics, Network, Comput. Sci., vol. 3, no. 1, pp. 22–26, 2020.
[9] Aprilia et al., Belajar Data Mining dengan Rapid Miner. 2013.
[10] C. Schröer, F. Kruse, J. Marx, F. Kruse, and J. Marx, “A Systematic Literature Review on Applying Process Model on Applying CRISP-DM Process Model,” Procedia Comput. Sci., vol. 181, no. 2019, pp. 526–534, 2021.

[11] j. Martin dan S. Oxman, H. Wiemer, D. Schneider, and S. Ihlenfeldt, “DMME : Data mining methodology for engineering applications – a holistic extension the CRISP-DM model,” Procedia CIRP, vol. 79, pp. 403–408, 2018.
[12] W. Y. Ayele, “Adapting CRISP-DM for Idea Mining A Data Mining Process for Generating Ideas Using a Textual Dataset,” IJACSA (nternational J. Adv. Comput. Sci. Appl. ), vol. 11, no.
6, pp. 20–32, 2020. [13] J. Taylor, “Complete CRISP-DM Approach,” Diakses : Sabtu 25 Desember 2021, 6:10, 2017. .
[14] Https://devopedia.org/, “Preparation Phase,” Diakses : Sabtu 25 Desember 2021, 6:10, 2021. .
[15] N. R. Baeza R.Y., “Modern Information Retrieval,” Addison We., Iinternational edition, Ed. Boston, USA, 1999.
[16] S. Vijayarani, M. J. Ilamathi, and M. Nithya, “Preprocessing Techniques for Text Mining - An Overview,” Int. J. Comput. Sci. Commun. Networks, vol. 5, no. February 2015, pp. 7–16, 2020

Cari

Bidang Ilmu

Kategori

Kiriman Terbaru