IMPLEMENTASI TEXT MINING UNTUK MENDETEKSI HOAX DENGAN MENGGUNAKAN MULTINOMIAL NAÏVE BAYES PADA STUDI KASUS PEMILU 2024

Dzulfikar Saif Assalam; Mohammad Syafrullah

Penulis

Dzulfikar Saif Assalam Universitas Budi Luhur
Mohammad Syafrullah Universitas Budi Luhur

Kata Kunci:

Text Mining, Deteksi Hoax, Tf-idf, Multinomial Naïve Bayes, Pemilu 2024

Abstrak

Pemilihan umum merupakan proses penting dalam negara demokrasi untuk menentukan wakil rakyat dan pemimpin pada suatu negara. Kemajuan dalam teknologi informasi telah mempermudah penyebaran informasi di era digital melalui media sosial dan berita online. Tidak dapat dipungkiri bahwa ada banyak informasi yang tersebar di internet, termasuk beberapa yang tidak benar dan berpotensi merugikan salah satu calon pemimpin negara. Kemudahan penyebaran informasi sering dimanfaatkan oleh pihak-pihak tertentu untuk menyebarkan berita yang menyesatkan atau berita hoax dengan motif tertentu, seperti untuk menakut-nakuti, merusak reputasi seseorang, mendapatkan keuntungan, dan lain sebagainya. Oleh karena itu, untuk memastikan informasi dalam berita adalah hoax atau non-hoax, peneliti dapat mengembangkan sistem pendeteksi hoax untuk mengurangi penyebaran berita hoax. Algoritma Multinomial Naïve Bayes merupakan pengembangan dari algoritma Bayes yang sesuai untuk klasifikasi teks atau dokumen. kelas dokumen tidak hanya ditentukan oleh kemunculan kata, tetapi juga oleh frekuensi kemunculannya. Multinomial Naïve Bayes merupakan algoritma klasifikasi yang sederhana, akan tetapi dapat memberikan tingkat akurasi yang tinggi. Dalam penelitian ini, peneliti berhasil mengumpulkan 505 data dengan menggunakan kata kunci “pemilu 2024”. Data tersebut kemudian diklasifikasikan untuk mendeteksi hoax menggunakan algoritma Multinomial Naïve Bayes. Dalam sistem deteksi hoax menggunakan pembobotan kata TF-IDF dan algoritma Multinomial Naïve Bayes, hasil pengujian dengan rasio 80:20 menunjukkan performa terbaik. Pengujian menggunakan 101 data testing ini menghasilkan akurasi 88%, presisi 93%, dan recall 86%. Hasil tersebut menunjukkan bahwa algoritma Multinomial Naïve Bayes cukup baik dalam mendeteksi berita hoax.

Referensi

Chely Aulia Misrun, E. Haerani, M. Fikry, and E. Budianita, “Analisis sentimen komentar youtube terhadap Anies Baswedan sebagai bakal calon presiden 2024 menggunakan metode naive bayes classifier,” Jurnal CoSciTech (Computer Science and Information Technology), vol. 4, no. 1, pp. 207–215, 2023, doi: 10.37859/coscitech.v4i1.4790.

C. S. Sriyano and E. B. Setiawan, “Pendeteksian Berita Hoax Menggunakan Naive Bayes Multinomial Pada Twitter dengan Fitur Pembobotan TF-IDF,” e-Proceeding of Engineering, vol. 8, no. 2, 2021, pp. 3396-3405.

V. O. Yamin et al., “Penerapan Naïve Bayes Classifier dengan Algoritma Nazief dan Adriani Untuk Deteksi Hoaks,” Prosiding Sempatin, vol. 1, no. 1, 2023, pp. 335-344.

M. Ibrahim, E. Bu’ulolo, and I. Lubis, “Penerapan Algoritma Naive Bayes Classifier Untuk Mendeteksi Tingkat Krediblitas Hoax News/ Fake News Pada Sosial Media Di Indonesia Berbasis Android (Studi Kasus : Kantor Tribun Medan),” RESOLUSI: Rekayasa Teknik Informatika dan Informasi, vol. 1, no. 1, pp. 9-17, 2020, [Online]. Available: https://djournals.com/resolusi

A. S. Nurhikam et al., “Deteksi Berita Palsu Pada Pemilu 2024 Dengan Menggunakan Algoritma Random Forest,” vol. 7, no. 1, pp. 41–50, 2023, [Online]. Available: http://e-journal.unipma.ac.id/index.php/doubleclick

I. W. Santiyasa, et al, “Identification of Hoax Based on Text Mining Using K-Nearest Neighbor Method,” Jurnal Elektronik Ilmu Komputer Udayana, vol. 10, no. 2, pp. 217-226, 2021.

P. Sarah Kayaningtias and P. Pandu Adikara, “Analisis Sentimen Angket Kepuasan Pasien Puskesmas menggunakan Metode Improved K-Nearest Neighbor,” Jurnal Pengembangan Teknologi Informasi dan Ilmu Komputer, vol. 6, no. 3, pp. 1138-1148, 2022.

A. A. Aqsa, and L. Syafie, “Buletin Sistem Informasi dan Teknologi Islam Perbandingan Metode Naïve Bayes dan SVM dalam Analisis Sentimen Netizen Twitter Terhadap Isu Kemenkeu,” BUSITI: Buletin Sistem Informasi dan Teknologi Islam, vol. 4, no. 4, pp. 327–338, 2023.

B. Imran, M. Nasirudin Karim, and N. Isna Ningsih, “Klasifikasi Berita Hoax Terkait Pemilihan Umum Presiden Republik Indonesia Tahun 2024 Menggunakan Naïve Bayes dan Svm,” Dinamika Rekayasa, vol. 20, no. 1, pp. 1-9, 2024.

A. Ilham and W. Pramusinto, “Analisis Sentimen Masyarakat Terhadap Kesehatan Mental Pada Twitter Menggunakan Algoritma K-Nearest Neighbor,” Prosiding Seminar Nasional Mahasiswa Fakultas Teknologi Informasi (SENAFTI), vol. 2, no. 2, 2023, pp. 539-547.

P. Arsi and R. Waluyo, “Analisis Sentimen Wacana Pemindahan Ibu Kota Indonesia Menggunakan Algoritma Support Vector Machine (SVM),” vol. 8, no. 1, pp. 147–156, 2021, doi: 10.25126/jtiik.202183944.

F. A. Ramadhan, S. H. Sitorus, and T. Rismawan, “Penerapan Metode Multinomial Naïve Bayes untuk Klasifikasi Judul Berita Clickbait dengan Term Frequency - Inverse Document Frequency,” Jurnal Sistem dan Teknologi Informasi (JustIN), vol. 11, no. 1, p. 70, Jan. 2023, doi: 10.26418/justin.v11i1.57452.