Khoirinisa Umi Rahmawati, 4611418072 (2022) DETEKSI BERITA PALSU MENGGUNAKAN KNN, RANDOM FOREST, SVM, DAN DECISION TREE DALAM PENENTUAN KLASIFIKASI BERITA. Under Graduates thesis, Universitas Negeri Semarang.

PDF (Skripsi) Restricted to Repository staff only Download (3MB) | Request a copy

Abstract

Media sosial saat ini juga digunakan untuk berbagi berita, liputan dan sebagainya, di dalam media sosial ini tentu saja tidak semua orang berniat baik, terdapat pula yang berniat jahat dengan cara membuat dan menyebarkan berita palsu. Penelitian ini bertujuan untuk mendeteksi berita palsu dengan cara mengambil dataset yang berjudul Fake News Net yang telah diambil melalui media sosial twitter yang selanjutnya akan digunakan dalam mendeteksi berita palsu. Dalam deteksi berita palsu ini akan mendapatkan hasil yang dapat mengelompokkan kalimat positif atau negatif. Pada penelitian ini, deteksi berita palsu dilakukan dengan menggunakan algoritma k-nearest neighbor (KNN), random forest (RF), support vector machine (SVM), dan decision tree (DT). KNN dipilih karena algoritma tersebut unggul dalam menghadapi data noise. Sedangkan SVM memiliki kelebihan yaitu mampu mengidentifikasi hyperplane terpisah yang memaksimalkan ukuran antara dua kelas yang berbeda. Algoritma DT merupakan sebuah metode pembelajaran dengan menggunalan data latih yang telah dikelompokkan berdasarkan kelas-kelas tertentu dalam pohon keputusan. Algoritma RF memiliki kelebihan yaitu tingkat ketelitian yang lebih baik dibandingkan dengan algoritma SVM dan DT. Disamping kelebihan yang dimiliki masing-masing algoritma, pemilihan parameter yang cocok juga akan mempengaruhi hasil dari akurasi algoritma tersebut. Kinerja dari keempat algoritma klasifikasi tersebut akan dibandingkan, sehingga dapat diketahui algoritma mana yang lebih baik dalam melakukan klasifikasi secara text mining. Nilai akurasi yang dihasilkan akan menjadi tolak ukur untuk mencari model pengujian terbaik pada kasus deteksi berita palsu. Berdasarkan hasil pengujian, didapatkan hasil akhir akurasi dan performa terbaik menggunakan algoritma SVM dengan nilai akurasi sebesar 84,82%. Sedangkan pada algoritma KNN, RF, dan DT hasil akhir akurasi sebesar 79,66%, 83,37%, dan 79,08%. Hasil akurasi yang cukup tinggi didukung dengan adanya feature extraction TF-IDF dan penggunaan parameter yang cocok pada masing-masing algoritma.

Actions (login required)

View Item