IDENTIFIKASI BERITA HOAX MENGGUNAKAN LOGISTIC REGRESSION DENGAN BAGGING ENSEMBLE LEARNING

Di era digital saat ini, kemudahan akses informasi melalui internet dan media sosial telah mengubah cara masyarakat mendapatkan berita, namun juga meningkatkan penyebaran berita bohong atau hoax yang dapat menimbulkan ketidakpahaman dan keresahan. Penelitian ini bertujuan untuk mengatasi permasalahan penyebaran berita hoax dengan memanfaatkan teknologi Machine Learning, khususnya melalui metode klasifikasi teks. Logistic Regression digunakan sebagai model dasar yang dikenal efektif untuk tugas klasifikasi biner, dikombinasikan dengan teknik Ensemble Learning menggunakan Bootstrap Aggregating (Bagging). Metode ini bertujuan untuk meningkatkan akurasi model dengan mengurangi bias dan varian melalui pelatihan beberapa model pada subset data yang berbeda. Selain itu, penelitian ini mengeksplorasi pengaruh parameter Logistic Regression, seperti Learning Rate, Konvergensi, dan jumlah iterasi, terhadap akurasi model. TF-IDF digunakan sebagai metode ekstraksi fitur untuk mengubah teks berita menjadi vektor numerik yang dapat diproses oleh model. Dataset yang digunakan adalah berita hoax berbahasa Inggris dari Kaggle. Hasil penelitian ini diharapkan dapat menghasilkan sistem deteksi berita hoax yang akurat dan efisien, berguna bagi media, platform sosial, dan individu dalam mengidentifikasi serta mengurangi penyebaran informasi palsu. Selain itu, penelitian ini juga memberikan pengalaman bagi penulis dalam menerapkan metode Ensemble Logistic Regression dengan TF-IDF dalam pengembangan sistem deteksi yang lebih canggih.