Implementasi  Naive Bayes untuk Klasifikasi Berita Hoaks pada Media Online Berbasis Web

Authors

  • Cindy Paramitha Universitas Efarina Author
  • Iqbal Giffari Ritonga Universitas Efarina Author
  • Syaipuddin Universitas Efarina Author

DOI:

https://doi.org/10.32672/

Keywords:

Berita Hoaks, Naive Bayes, TF-IDF, Klasifikasi, Web

Abstract

Abstrak - Perkembangan teknologi informasi mempermudah penyebaran informasi, namun juga meningkatkan penyebaran berita hoaks yang dapat menyesatkan masyarakat. Penelitian ini bertujuan membangun sistem klasifikasi berita hoaks berbasis web menggunakan algoritma Multinomial Naive Bayes sebagai alat bantu identifikasi awal berita yang berpotensi hoaks. Dataset diperoleh dari Kaggle dan setelah proses pembersihan terdiri atas 23.709 berita, yang dibagi menjadi 18.967 data latih dan 4.742 data uji dengan perbandingan 80:20. Tahapan penelitian meliputi preprocessing berupa case folding, cleaning, tokenizing, stopword removal, dan stemming, kemudian pembobotan kata menggunakan Term Frequency-Inverse Document Frequency (TF-IDF). Model dilatih menggunakan data latih dan dievaluasi menggunakan data uji. Hasil pengujian menunjukkan bahwa model memperoleh akurasi sebesar 97,34%, dengan F1-score sebesar 97,49% pada kelas hoaks dan 97,18% pada kelas fakta, serta macro-F1 sebesar 97,34%. Sistem yang dikembangkan dapat menerima teks berita dan menampilkan hasil klasifikasi beserta probabilitas prediksi melalui antarmuka berbasis web. Dengan demikian, sistem ini dapat dimanfaatkan sebagai alat bantu penyaringan awal berita yang berpotensi hoaks, bukan sebagai pengganti proses verifikasi fakta.

Kata Kunci : Berita Hoaks; Naive Bayes; TF-IDF; Klasifikasi; Web;

 

Abstract – Advances in information technology have facilitated the dissemination of information but have also increased the spread of hoaxes that may mislead the public. This study aims to develop a web-based hoax news classification system using the Multinomial Naive Bayes algorithm as an initial screening tool for news that may contain hoax information. The dataset was obtained from Kaggle and, after cleaning, consisted of 23,709 news articles, divided into 18,967 training data and 4,742 testing data using an 80:20 ratio. The research stages included preprocessing through case folding, cleaning, tokenization, stopword removal, and stemming, followed by word weighting using Term Frequency-Inverse Document Frequency (TF-IDF). The model was trained using the training data and evaluated using the testing data. The evaluation results showed an accuracy of 97.34%, with an F1-score of 97.49% for the hoax class and 97.18% for the factual class, and a macro-F1 score of 97.34%. The developed system accepts news text and displays the classification result along with the prediction probability through a web-based interface. Therefore, the system can be used as an initial screening tool for news that may contain hoax information, rather than as a substitute for fact-checking.

Keywords: Hoax News; Naive Bayes; TF-IDF; Classification; Web;

Downloads

Download data is not yet available.

Author Biographies

  • Cindy Paramitha, Universitas Efarina

    Program Studi Teknik Informatika

  • Iqbal Giffari Ritonga, Universitas Efarina

    Program Studi Teknik Informatika

  • Syaipuddin, Universitas Efarina

    Program Studi Teknik Informatika

References

[1] R. R. Sani, A. Y. Pratiwi, S. Winarno, D. E. Udayanti, and F. Al Zami, “Analisis Perbandingan Algoritma Naive Bayes Classifier dan Support Vector Machine untuk Klasifikasi Hoax pada Berita Online Indonesia,” jurnal masyarakat informatika, vol. 13, no. 2, pp. 85–98, 2022, doi: 10.14710/jmasif.13.2.47983.

[2] C. B. D. Prasetiyo, N. P. Andono, and C. Supriyanto, “Metode Naive Bayes Classifier dan Forward Selection Untuk Deteksi Berita Hoaks Bahasa Indonesia,” JURNAL MEDIA INFORMATIKA BUDIDARMA, vol. 7, no. 3, pp. 1541–1550, Jul. 2023, doi: 10.30865/mib.v7i3.6459.

[3] F. Prasetya and Ferdiansyah, “Analisis Data Mining Klasifikasi Berita Hoax COVID 19 Menggunakan Algoritma Naive Bayes,” Jurnal Sistem Komputer dan Informatika (JSON), vol. 4, no. 1, pp. 132–139, Sep. 2022, doi: 10.30865/json.v4i1.4852.

[4] M. R. Anggana, “PERAN NATURAL LANGUAGE PROCESSING (NLP) DALAM MENGIDENTIFIKASI DAN MENGATASI BIAS GENDER PADA UJARAN KEBENCIAN,” Jurnal Humaniora dan Teknologi, vol. 11, no. 1, pp. 62–68, May 2025, doi: 10.34128/jht.v11i1.209.

[5] A. D. Punkastyo, F. Septian, and A. Syaripudin, “Implementasi Data Mining Menggunakan Algoritma Naïve Bayes Untuk Prediksi Kelulusan Siswa,” Journal of System and Computer Engineering (JSCE) ISSN, vol. 5, no. 1, pp. 2723–1240, Jan. 2024, doi: 10.61628/jsce.v5i1.1073.

[6] M. S. Habib, E. Hoerani, K. S. Gusti, and Ramadhani. Siti, “Klasifikasi Berita Menggunakan Metode Naïve Bayes Classifier,” Jurnal Nasional Komputasi dan Teknologi Informasi (JNKTI), vol. 5, no. 2, pp. 248–258, Apr. 2022, doi: 10.32672/jnkti.v5i2.4191.

[7] E. P. Aji and Y. Budiarti, “Analisis Sentimen Ulasan Aplikasi Vision+ pada Google Play Store Menggunakan Algoritma Naive Bayes Classifier,” Jurnal Nasional Komputasi dan Teknologi Informasi (JNKTI), vol. 8, no. 5, pp. 2790–2798, Oct. 2025, doi: 10.32672/jnkti.v8i5.9846.

[8] D. J. Arisandi, E. Budianita, F. Y. Cynthia, and Yusra, “Perbandingan Pembobotan Kata Menggunakan Naive Bayes Classifier Terhadap Analisa Sentimen Permendikbud No 30 Tahun 2021,” Jurnal Nasional Komputasi dan Teknologi Informasi (JNKTI), vol. 5, no. 4, pp. 621–628, Aug. 2022, doi: 10.32672/jnkti.v5i4.4420.

[9] F. Neakleu, K. P. Y. Kelen, and R. F. Bobu, “Penerapan Metode Naive Bayes dalam Pemilihan Lokasi Pemasangan Optical Distribution Point (ODP) Indihome Berbasis Webgis,” Jurnal Nasional Komputasi dan Teknologi Informasi (JNKTI), vol. 8, no. 6, pp. 3262–3272, 2025, doi: 10.32672/jnkti.v8i6.10029.

[10] A. Prasetya, N. Ramadha, F. Firmansyah, and T. J. Kumalasari, “Analisis Sentimen Ulasan Gojek pada Google Play Store Menggunakan Metode Naïve Bayes,” Jurnal Nasional Komputasi dan Teknologi Informasi (JNKTI), vol. 8, no. 4, pp. 2042–2050, Aug. 2025, doi: 10.32672/jnkti.v8i4.9402.

[11] A. M. Azis, “Deteksi Berita Hoaks Indo - Dataset,” Kaggle. Accessed: Sep. 01, 2026. [Online]. Available: https://www.kaggle.com/datasets/mochamadabdulazis/deteksi-berita-hoaks-indo-dataset

[12] S. B. G. I. Wibawa, E. N. I. Indrayana, and A. P. M. Ariawan, “PENERAPAN METODE INDOBERT UNTUK DETEKSI BERITA HOAKS PADA MEDIA DIGITAL BERBAHASA INDONESIA,” Jurnal Riset dan Aplikasi Mahasiswa Informatika (JRAMI), vol. 07, no. 02, 2026, doi: 10.30998/jrami.v7i02.1196.

[13] putra S. B. W. I. Pratama, P. A. M. Putra, and I. I. A. A. Paramitha, “DETEKSI BERITA HOAKS BAHASA INDONESIA MENGGUNAKAN MODEL HYBRID INDOBERT-BILSTM DENGAN TEKNIK HYPERPARAMETER TUNING,” Jurnal Mahasiswa Teknik Informatika, vol. 10, no. 2, pp. 2830–2838, Apr. 2026, doi: 10.36040/jati.v10i2.17872.

Published

2026-10-25

How to Cite

Implementasi  Naive Bayes untuk Klasifikasi Berita Hoaks pada Media Online Berbasis Web. (2026). Jurnal Nasional Komputasi Dan Teknologi Informasi, 9(5). https://doi.org/10.32672/