<![CDATA[Peningkatan penyebaran informasi digital di Indonesia yang turut memperbesar risiko beredarnya berita hoaks dan disinformasi yang dapat memicu keresahan serta polarisasi masyarakat. Penelitian ini bertujuan untuk mengembangkan sistem klasifikasi berita hoaks otomatis serta membandingkan performa algoritma Machine Learning klasik dengan model berbasis transformer. Tahapan penelitian meliputi pengumpulan dataset dari TurnBackHoax.id sebagai sumber berita hoaks serta AntaraNews, Kompas, dan Detik.com sebagai sumber berita faktual, dilanjutkan dengan pra-pemrosesan teks, ekstraksi fitur menggunakan Term Frequency–Inverse Document Frequency (TF-IDF), serta fine-tuning model IndoBERT. Model yang diuji meliputi Support Vector Machine (SVM), Random Forest, dan IndoBERT, dengan evaluasi menggunakan metrik Accuracy, Precision, Recall, dan Macro F1-Score. Hasil penelitian menunjukkan bahwa IndoBERT memberikan performa terbaik dengan akurasi sebesar 99,38% dan Macro F1-Score sebesar 0,99, diikuti oleh SVM dengan akurasi 98,04% dan Random Forest sebesar 97,09%. Keunggulan IndoBERT terletak pada kemampuannya dalam menangkap konteks semantik bahasa secara lebih mendalam dibandingkan pendekatan berbasis frekuensi. Meskipun demikian, SVM tetap menunjukkan performa yang kompetitif dengan kompleksitas komputasi yang lebih rendah. Dengan demikian, dapat disimpulkan bahwa model transformer IndoBERT merupakan pendekatan paling efektif untuk klasifikasi berita hoaks berbahasa Indonesia, sementara algoritma Machine Learning klasik tetap relevan sebagai alternatif pada lingkungan dengan keterbatasan sumber daya komputasi.]]>
