<![CDATA[Abstract — The spread of fake news (hoaxes) on social media has a significant negative impact on society, such as a decline in public trust and increased uncertainty about information. This study aims to develop and compare accurate and reliable Indonesian-language fake news detection systems, with the hope of improving media literacy among the public. The methods used include collecting several datasets of fake and authentic news, data preprocessing (cleaning, tokenisation, lemmatisation, stopword removal), and applying two word embedding algorithms, FastText and Word2Vec, with two architectures (CBOW and Skipgram). The classification model used is Bi-LSTM, and evaluation is conducted using accuracy, precision, recall, and F1-score metrics. The results show that both algorithms can produce high-accuracy fake news detection models on large datasets (FastText >85%, Word2Vec >87%), but performance decreases on small datasets due to overfitting. This study provides theoretical and practical contributions to the evaluation of word embedding algorithm performance for detecting Indonesian-language fake news based on NLP. In conclusion, the comparison results show that the evaluated word embedding approach is effective in identifying Indonesian-language fake news and can serve as a reference for algorithm selection in the development of future fake news detection technology. Key words — Bi-LSTM; FastText; hoax; NLP; Word2Vec Abstrak — Penyebaran berita palsu (hoaks) di media sosial menimbulkan dampak negatif yang signifikan bagi masyarakat, seperti menurunnya kepercayaan publik dan meningkatnya ketidakpastian informasi. Penelitian ini bertujuan untuk mengembangkan dan membandingkan sistem deteksi berita palsu berbahasa Indonesia yang akurat dan andal, dengan harapan dapat meningkatkan literasi media masyarakat. Metode yang digunakan meliputi pengumpulan beberapa dataset berita palsu dan asli, praproses data (cleaning, tokenisasi, lemmatisasi, penghapusan stopwords), serta penerapan dua algoritma word embedding FastText dan Word2Vec dengan dua arsitektur (CBOW dan Skipgram). Model klasifikasi yang digunakan adalah Bi-LSTM, dan evaluasi dilakukan menggunakan metrik akurasi, precision, recall, dan F1-score. Hasil penelitian menunjukkan bahwa kedua algoritma mampu menghasilkan model deteksi berita palsu dengan akurasi tinggi pada dataset besar (FastText >85%, Word2Vec >87%), namun performa menurun pada dataset kecil akibat overfitting. Penelitian ini memberikan kontribusi teoretis dan praktis dalam evaluasi performa algoritma word embedding untuk deteksi berita palsu berbahasa Indonesia berbasis NLP. Kesimpulannya, hasil perbandingan menunjukkan bahwa pendekatan word embedding yang dievaluasi efektif dalam mengidentifikasi berita palsu berbahasa Indonesia dan dapat menjadi acuan pemilihan algoritma untuk pengembangan teknologi deteksi berita palsu di masa depan. Kata kunci — Bi-LSTM; FastText; hoaks; NLP; Word2Vec]]>
