Brilliani Jeshia Potalangi
Universitas Sam Ratulangi

Published : 1 Documents Claim Missing Document
Claim Missing Document
Check
Articles

Found 1 Documents
Search

Federated Learning untuk Deteksi Hoaks pada Bahasa Daerah Bersumber Daya Rendah di Indonesia Kristania Bullu; Brilliani Jeshia Potalangi; Ade Yusupa; Ir. Yaulie Deo Y. Rindengan
Jurnal Mahasiswa Teknik Informatika Vol. 5 No. 2 (2026): Volume 5 Nomor 2 Oktober 2026
Publisher : Universitas Ngudi Waluyo

Show Abstract | Download Original | Original Source | Check in Google Scholar

Abstract

Maraknya konten hoaks di berbagai platform media sosial menjadi ancaman serius bagi komunitas daerah di Indonesia, terutama bagi mereka yang berkomunikasi menggunakan bahasa daerah bersumber daya rendah seperti Melayu Manado (Grimes, 2000). Sistem deteksi hoaks yang ada saat ini masih terpusat pada Bahasa Indonesia standar dan bahasa global, sehingga komunitas bahasa daerah sangat rentan terhadap disinformasi digital (Pratama & Suhartono, 2022). Di sisi lain, pendekatan pembelajaran mesin terpusat secara konvensional mengharuskan pengumpulan data mentah ke server pusat, sehingga menimbulkan kekhawatiran serius terkait privasi data dalam konteks UU No. 27 Tahun 2022 tentang Perlindungan Data Pribadi. Penelitian ini mengusulkan kerangka kerja berbasis federated learning yang dirancang khusus untuk deteksi hoaks pada bahasa daerah bersuber daya rendah di Indonesia, dengan bahasa Melayu Manado sebagai fokus utama. Sistem yang diusulkan mengintegrasikan Multilingual BERT (mBERT) (Devlin et al., 2019) sebagai arsitektur representasi teks, algoritma Federated Averaging (FedAvg) (McMahan, 2017), serta framework Flower (flwr) (Beutel, 2020). Dataset terdiri dari 5.000 sampel berlabel yang dikumpulkan dari konten media sosial, arsip percakapan WhatsApp, dan basis data Kominfo Hoaks Busters (Kominfo, 2023), dengan anotasi dilakukan oleh penutur asli melalui mekanisme majority voting (Plank et al., 2016). Pelatihan federated dilaksanakan pada 3 hingga 5 node klien simulasi selama 20 putaran komunikasi dengan konfigurasi data IID dan non-IID (Li, 2022). Perlindungan privasi diterapkan melalui mekanisme DP-SGD (Mironov, 2017). Temuan empiris menunjukkan bahwa model mBERT federated mencapai performa klasifikasi yang kompetitif (Rust, 2021) dibanding pendekatan terpusat, sekaligus menjaga privasi data pengguna.