<![CDATA[Penyebaran berita palsu pada platform berita online telah menjadi tantangan serius yang mengancam integritas informasi dan stabilitas sosial di era digital. Penelitian ini bertujuan untuk mengembangkan model deteksi berita palsu yang akurat menggunakan metode Bidirectional Encoder Representations from Transformers (BERT) dengan pendekatan fine-tuning pada dataset berita berbahasa Indonesia. Dataset penelitian terdiri dari 248 artikel berita yang dikurasi dari berbagai platform media online, kemudian diseimbangkan menjadi 196 artikel dengan distribusi 50:50 antara berita asli dan berita palsu. Metodologi penelitian mencakup text preprocessing, tokenisasi menggunakan IndoBERT tokenizer dengan panjang maksimal 128 token, dan pembagian data dengan stratified train-test split 80:20. Model IndoBERT di-fine-tune selama 3 epoch dengan konfigurasi batch size 4, learning rate 2e-5, dan gradient accumulation steps 2. Hasil penelitian menunjukkan performa yang sangat baik dengan akurasi 85.0% pada data testing, macro average F1-score 0.8485, dan evaluation loss 0.3669. Model menunjukkan precision 0.9375 dan recall 0.75 untuk deteksi berita palsu, serta precision 0.7917 dan recall 0.95 untuk berita asli. Validasi menggunakan confusion matrix menunjukkan 34 prediksi benar dari 40 sampel testing, dengan karakteristik model yang cenderung konservatif dalam melabeli berita sebagai palsu. Pengujian pada kasus nyata menunjukkan kemampuan model dalam mengidentifikasi indikator linguistik berita palsu seperti kata "SALAH", "PENIPUAN", dan "HOAX" dengan tingkat kepercayaan 65.50%-88.51%. Penelitian ini membuktikan bahwa metode BERT efektif untuk deteksi berita palsu berbahasa Indonesia dan dapat diimplementasikan sebagai sistem moderasi konten otomatis pada platform berita online. Kata kunci: BERT, Deteksi Berita Palsu, Natural Language Processing, Klasifikasi Teks, Deep Learning.]]>
