Perpustakaan Digital ITB

Perkembangan internet yang sangat pesat telah mengakibatkan berbagai sumber informasi/berita dapat diakses dengan mudah dan cepat. Informasi atau berita yang tersebar di internet terkadang tidak sesuai dengan keadaan sebenarnya. Sistem deteksi berita hoax merupakan sebuah sistem yang dibangun untuk menganalisis kebenaran dalam suatu berita. Salah satu model yang paling populer dalam sistem deteksi berita hoax adalah penerapan model Word2Vec sebagai feature extraction. Namun sayangnya model Word2Vec masih memiliki kekurangan yaitu ketidakmampuan model ini dalam merepresentasikan kata yang tidak terdapat pada data latih atau OOV (out of vocabulary). Permasalahan ini berdampak pada penurunan akurasi klasifikasi. Penelitian ini akan menerapkan teknik Query Expansion dan model XLNet untuk mengurangi kemunculan kata-kata OOV sehingga model akan mampu mengklasifikasikan berita secara akurat dan meningkatkan kinerja Word2Vec pada sistem deteksi berita hoax. Dalam eksperimennya, penelitian ini akan membandingkan kinerja dari penggabungan Word2Vec dengan model XLNet dan teknik Query Expansion dengan beberapa kombinasi word embedding dan transformers pada sistem deteksi berita hoax. Data yang digunakan pada penelitian ini diambil dari platform Kaggle sebanyak 5568 berita yang telah dilabeli dengan label berita hoax dan valid. Dataset akan dibagi menjadi 60% data latih, 20% data uji dan 20% data validasi. Hasil eksperimen pada penelitian ini memperoleh kinerja tertinggi dengan akurasi sebesar 96.76% menggunakan kombinasi Word2Vec, Query Expansion dan XLNet.