digilib@itb.ac.id +62 812 2508 8800

Perkembangan teknologi dan internet yang saat ini semakin pesat menyebabkan semakin meningkatnya jumlah pengguna internet. Setiap pengguna dapat dengan mudah mengunggah dan menyebarkan informasi di berbagai platform daring. Di satu sisi hal ini baik bagi keberlangsungan hak pengguna untuk bebas menyuarakan hak dan informasi yang dikehendakinya. Namun di sisi lain, hal ini dapat berimplikasi pada semakin masifnya penyebaran informasi yang tidak terverifikasi sehingga berpotensi untuk meningkatkan misinformasi pada masyarakat. Oleh karena itu, dibutuhkanlah sistem untuk dapat mendeteksi berita palsu secara otomatis menggunakan pembelajaran mesin mengingat keterbatasan sumber daya manusia untuk mendeteksi secara manual. Pada Tugas Akhir ini, akan dilakukan pemodelan deteksi berita palsu dengan pembelajaran mesin menggunakan data teks yang didapat dari beberapa kanal berita dan laman, yaitu kompas.com, detik.com, cnn.com, dan turnbackhoax.id. Terdapat 4 model jaringan saraf tiruan yang akan digunakan, dengan 3 model merupakan model yang umum digunakan untuk memodelkan data teks yaitu Recurrent Neural Networks (RNN), Long-Short Term Memory (LSTM), dan Gated Recurrent Unit (GRU). Selain itu juga digunakan model Graph Convolutional Networks (GCN) yang merupakan jaringan saraf tiruan berbasis graf. Model dievaluasi dengan mengukur akurasi pada data validasi. Model RNN, LSTM, dan GRU dengan dimensi embedding teks sebesar 100 kata menghasilkan akurasi secara berurutan sebesar 75.7%, 80.16%, dan 80.97%, sementara Model GCN memberikan hasil terbaik dengan akurasi sebesar 85.77%.