Deteksi Berita Hoax Menggunakan LSTM (Long Short Term Memory) dengan Basis Representasi TF-IDF (Term Frequency-Inverse Document Frequency)

Penyebaran berita hoax telah menjadi ancaman serius dalam era informasi digital saat ini. Penyebaran berita hoax atau berita palsu dapat memiliki dampak yang merugikan dan berbahaya, baik bagi individu maupun masyarakat secara keseluruhan. Penyebaran Berita palsu dapat mempengaruhi persepsi dan pemahaman orang terhadap suatu peristiwa atau isu. Tujuan penelitian ini adalah untuk menerapkan sebuah model yang efektif dalam mengenali dan membedakan teks berita hoax dari teks berita non-hoax. metode TF-IDF digunakan untuk menghasilkan Vector Space Model dari teks berita, dengan mempertimbangkan frekuensi kemunculan kata dan bobotnya dalam korpus keseluruhan. Kemudian, arsitektur LSTM dipakai sebagai model klasifikasi yang mampu memahami konteks jangka panjang dalam teks. Tahapan penelitian meliputi pengumpulan data berita hoax dan non-hoax dari Kaggle (fake.csv dan true.csv), preprocessing teks (membersihkan dan mengubah teks menjadi representasi vektor), pelatihan model LSTM, dan evaluasi kinerja model menggunakan confusion matrix. Setelah pengujian, kombinasi parameter LSTM dengan akurasi tertinggi sebesar 99,65% dicapai pada skenario uji coba 14 (80:20, neuron hidden layer 16, epoch 100, kompilasi model dengan binary crossentropy sebagai fungsi loss, adam sebagai optimizer, dan metrik akurasi untuk evaluasi) dengan penerapan preprocessing yakni tokenizing, stopword removal, dan stemming. Hasil ini menunjukkan bahwa model klasifikasi yang dikembangkan sangat akurat dalam mendeteksi berita hoax.