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%.