<![CDATA[Informasi palsu (hoaks) yang semakin cepat menyebar di berbagai platform digital di Indonesia menjadi permasalahan yang menyulitkan proses verifikasi manual. Penelitian ini membandingkan kinerja tiga pendekatan klasifikasi teks, yaitu Support Vector Machine (SVM), Long Short-Term Memory (LSTM), dan IndoBERT, pada dataset berita berbahasa Indonesia yang terdiri atas 23.598 data dengan distribusi kelas yang relatif seimbang. Penelitian menguji dua kondisi masukan, yaitu teks utuh setelah pembersihan awal dan teks yang memperoleh preprocessing lanjutan berupa stopword removal serta stemming. Pengujian dilakukan menggunakan pembagian data yang sama dan dievaluasi berdasarkan akurasi, presisi, recall, dan F1-score. Hasil perbandingan utama menggunakan kondisi teks utuh menunjukkan bahwa IndoBERT memperoleh kinerja tertinggi dengan akurasi 99,17%, diikuti SVM sebesar 98,25% dan LSTM sebesar 95,87%. Eksperimen ablation menunjukkan bahwa penggunaan preprocessing lanjutan justru menurunkan kinerja seluruh model pada dataset ini. Pada SVM, akurasi turun 0,34 poin persentase menjadi 97,91%; pada LSTM, akurasi turun 8,31 poin persentase menjadi 87,56%; sedangkan pada IndoBERT penurunannya sebesar 1,22 poin persentase menjadi 97,95%. Temuan tersebut menunjukkan bahwa preprocessing agresif tidak selalu meningkatkan representasi fitur dan efektivitasnya bergantung pada karakteristik data serta mekanisme pemrosesan model. Hasil ini menunjukkan bahwa mempertahankan teks utuh menjadi pilihan yang lebih tepat pada dataset penelitian, sementara perbandingan antararsitektur menegaskan keunggulan IndoBERT dalam memahami konteks bahasa Indonesia. Temuan ini memberikan implikasi bahwa pemilihan preprocessing perlu divalidasi secara empiris dan tidak semata-mata ditentukan berdasarkan asumsi karakteristik arsitektur. Evaluasi juga dianalisis melalui matriks konfusi pada data uji.]]>
