Penerapan Naïve Bayes Classifier Untuk Klasifikasi Postingan Berita Hoaks Di Instagram Cirebon Saber Hoaks

Abstract

Berita hoaks telah menjadi ancaman serius di era digital, di mana informasi yang salah atau menyesatkan dapat menyebar dengan cepat melalui media sosial, termasuk di platform seperti instagram. @cirebonsaberhoaks adalah akun instagram untuk menyebarkan informasi yang akurat dan terpercaya untuk melawan penyebaran berita hoaks di Kota Cirebon. Proses klasifikasi kategori berita hoaks masih dilakukan secara manual, oleh karena itu diperlukan penerapan Text mining dengan metode Naïve Bayes Classifier untuk meningkatkan efisiensi. Naïve Bayes Classifier adalah metode yang mengaplikasikan Teorema Bayes pada proses klasifikasi seperti klasifikasi teks. Proses penelitian ini meliputi pengumpulan dataset, tahapan text preprocessing, perhitungan TF-IDF, dan penerapan Naïve Bayes Classifier. Jumlah berita hoaks yang digunakan berjumlah 114 berita hoaks yang dikategorikan menjadi 4 kategori yaitu Misleading Content, Imposter Content, Fabricated Content, False Connection. Hasil klasifikasi data testing 14 data, kategori prediksi paling banyak yaitu Imposter Content. Dengan rincian 8 kategori Imposter Content, 3 kategori Misleading Content, 2 kategori Fabricated Content, dan 1 kategori False Connection. Hasil ini menunjukan bahwa klasifikasi postingan berita hoaks berdasarkan kategori yang diklasifikasikan terdapat 13 data yang benar dan 1 data yang salah dalam proses klasifikasi. Hasil evaluasi Confusion Matrix menunjukkan nilai akurasi sebesar 93%, presisi 94%, recall 93%, dan f1-score 92%. [DSS1]