Analisis Perbandingan Algoritma Naive Bayes Classifier dan Support Vector Machine untuk Klasifikasi Berita Hoax pada Berita Online Indonesia

Abstract

Abstrak Masyarakat mampu mengkonsumsi tiap informasi yang tersebar di internet dengan cepat dan terkadang informasi yang beredar tidak selalu memberikan kebenaran yang sesuai dengan kenyataannya (hoax). Demi mendapatkan keuntungan dan mencapai tujuan pribadi, hoax seringkali sengaja dibuat dan dibagikan. Informasi yang didapatkan dari hoax tentunya dapat mempengaruhi masyarakat karena menimbulkan keraguan dan kebingungan terhadap informasi yang diterima. Oleh karena itu, penelitian ini membahas tentang bagaimana mengklasifikasikan berita hoax berbahasa Indonesia mengenai isu kesehatan menggunakan TF-IDF serta algoritma Naïve Bayes Classifier dan Support Vector Machine dengan 4 model yang berbeda sehingga mampu memprediksi sebuah berita hoax atau valid. Pada penelitian ini dataset yang dikumpulkan sebanyak 287 diantaranya 200 valid dan 87 hoax. Hasil evaluasi model penelitian ini dengan menggunakan 4 model berbeda pada masing-masing algoritma, diperoleh nilai classification report terbesar untuk algoritma NBC pada model Complement Naïve Bayes dengan hasil precision 95.4%, recall 95.4%, f1-score 95.4% dan accuracy 93.1%. Sedangkan nilai classification report terbesar untuk algoritma SVM pada kernel Sigmoid dengan hasil precision 95.6%, recall 100%, f1-score 97.7% dan accuracy 96.5%. Sehingga dapat disimpulkan bahwa hasil performa rata-rata dari algoritma SVM memiliki kinerja yang lebih baik jika dibandingkan dengan algoritma NBC dalam melakukan klasifikasi berita hoax mengenai isu kesehatan. Abstract People are able to consume any information that is spread on the internet quickly and sometimes the information circulating does not always provide the truth in accordance with reality. In order to gain profit and achieve personal goals, hoax are often deliberately created and shared. Information obtained from hoax can certainly affect the public because it creates doubt and confusion about the information received. Therefore, this study discusses how to classify hoax news on health issues using Naive Bayes Classifier and Support Vector Machine. 4 different models so as to be able to predict a hoax or valid news. In this study, 287 datasets were collected, of which 200 were valid and 87 were hoax. The results for each algorithm, obtained the largest classification report value for the NBC algorithm on the ComplementNB model with 95.4% precision, 95.4% recall, 95.4% f1-score and 93.1% accuracy. Meanwhile, for the SVM algorithm on the Sigmoid kernel with 95.6% precision, 100% recall, 97.7% f1-score and 96.5% accuracy. So it can be concluded