Convolutional Neural Network dengan fitur IndoBERT untuk klasifikasi berita hoax berbahasa indonesia

Penyebaran berita Hoax berbahasa Indonesia terus meningkat seiring pesatnya perkembangan platform digital, sehingga masyarakat perlu meluangkan waktu untuk memverifikasi kebenaran informasi yang diterima. Kondisi ini mendorong kebutuhan akan sistem deteksi Hoax otomatis yang mampu bekerja secara akurat dan efisien. Untuk memenuhi kebutuhan tersebut, penelitian ini mengembangkan model klasifikasi berita Hoax menggunakan pendekatan IndoBERT dan Convolutional Neural Network (CNN). Model ini memanfaatkan kemampuan IndoBERT dalam menghasilkan representasi teks yang kontekstual sesuai karakteristik bahasa Indonesia, sementara CNN berperan mengekstraksi pola lokal dari representasi tersebut. untuk melatih dan mengevaluasi model, digunakan Dataset sebanyak 5.972 berita yang bersumber dari TurnbackHoax.id, Kompas.com, dan Detik.com. Dataset tersebut dibagi dengan rasio 70% Data Latih, 15% Data Validasi, dan 15% pengujian, serta diproses melalui tahapan preprocessing yang meliputi case folding, penghapusan URL, angka, tanda baca, stopwords, dan spasi berlebih. Selanjutnya, dilakukan eksperimen terhadap beberapa kombinasi Hyperparameter seperti learning rate, batch size, epoch, dropout, dan jumlah filter CNN. Dari seluruh kombinasi yang diuji, konfigurasi terbaik diperoleh pada epoch 10, learning rate 2e-05, batch size 16, dropout 0,3, dan 64 filter. Konfigurasi tersebut menghasilkan accuracy 98,44%, precision 98,45%, recall 98,44%, F1-score 98,44%, serta Validation loss 0,0514 yang mengindikasikan model memiliki kemampuan generalisasi baik tanpa overfitting.