Publisher

BSIBSI

Journal JURNAL TEKNIK KOMPUTER AMIK BSIJURNAL TEKNIK KOMPUTER AMIK BSI Abstract

Penelitian ini mengevaluasi efektivitas berbagai teknik deteksi hoaks di Indonesia menggunakan model klasifikasi teks dengan dua ukuran dataset berbeda, yaitu 250 dan 650 sampel. Hoaks di media sosial memiliki dampak signifikan pada masyarakat, sehingga deteksi yang akurat sangat penting. Penelitian ini menguji tiga algoritma machine learning—ID CNN, Bi-LSTM, dan LSTM—dengan teknik regulasi seperti original, regularization, dan dropout. Hasil penelitian menunjukkan bahwa teknik regularisasi pada ID CNN memberikan akurasi tertinggi pada dataset 250 sampel, sementara Bi-LSTM dengan teknik original mencapai akurasi tertinggi pada dataset yang sama. Dataset yang lebih besar (600 sampel) menunjukkan bahwa teknik regularisasi pada ID CNN tetap stabil, sedangkan teknik dropout memberikan hasil yang bervariasi. Analisis menggunakan confusion matrix dan grafik learning menunjukkan adanya overfitting pada model, terutama pada dataset yang lebih kecil. Temuan ini menegaskan pentingnya penerapan teknik regulasi untuk mengurangi overfitting dan meningkatkan generalisasi model dalam deteksi hoaks. Penelitian ini memberikan kontribusi pada pengembangan sistem deteksi hoaks yang lebih efektif di Indonesia.

Conclusion

Secara keseluruhan, hasil penelitian ini menegaskan pentingnya regulasi dalam meningkatkan kinerja model deteksi hoaks.Teknik dropout dan regularisasi seperti L2 dapat secara signifikan mengurangi overfitting dan meningkatkan kemampuan generalisasi model.Penelitian ini juga menunjukkan bahwa ukuran dataset mempengaruhi kinerja model, dengan dataset yang lebih besar memberikan hasil yang sedikit berbeda namun tetap menunjukkan kebutuhan untuk teknik regulasi yang efektif.Penggunaan model deep learning seperti LSTM dan Bi-LSTM, serta teknik regulasi yang tepat, merupakan langkah penting dalam pengembangan sistem deteksi hoaks yang lebih akurat dan efisien di Indonesia.

Future Research

Untuk penelitian lanjutan, disarankan untuk melakukan analisis lebih mendalam tentang pengaruh ukuran dataset terhadap kinerja model. Selain itu, perlu dipertimbangkan untuk mengeksplorasi teknik regulasi lainnya, seperti L1 regularization atau teknik regulasi yang lebih kompleks, untuk meningkatkan generalisasi model. Penelitian juga dapat fokus pada pengembangan model yang lebih tahan terhadap overfitting, seperti dengan menggunakan teknik ensembling atau model yang lebih kompleks. Selain itu, penelitian dapat dilakukan untuk mengevaluasi kinerja model pada dataset yang lebih besar dan beragam, serta menguji efektivitas teknik regulasi yang berbeda pada berbagai algoritma machine learning.

References

1. Jurnal RESTI (Rekayasa Sistem dan Teknologi Informas)i. comparison lstm indobert method identifying twitter... doi.org/10.29207/resti.v7i3.4830Jurnal RESTI Rekayasa Sistem dan Teknologi Informas i comparison lstm indobert method identifying twitter doi 10 29207 resti v7i3 4830
2. Bot Verification. bot verification verifying robot doi.org/10.47577/tssj.v50i1.9943Bot Verification bot verification verifying robot doi 10 47577 tssj v50i1 9943
3. Hoax COVID-19 News Detection Based on Sentiment Analysis in Indonesian using Support Vector Machine (SVM)... doi.org/10.21108/ijoict.v8i2.682Hoax COVID 19 News Detection Based on Sentiment Analysis in Indonesian using Support Vector Machine SVM doi 10 21108 ijoict v8i2 682
4. Analysis of the general election hoax news phenomenon from the perspective of Pancasila as the integrity... doi.org/10.34117/bjdv10n6-049Analysis of the general election hoax news phenomenon from the perspective of Pancasila as the integrity doi 10 34117 bjdv10n6 049

Metadata

File size	363.6 KB
Pages	7
DMCA	Report