<![CDATA[Maraknya penyebaran berita hoaks di ruang digital menimbulkan dampak sosial yang serius bagi khalayak luas. Penelitian ini merancang dan menguji sistem klasifikasi berita berbasis Multinomial Naive Bayes dengan memanfaatkan dataset Fake and Real News yang bersumber dari Kaggle, mencakup 44.919 artikel yang terbagi atas 23.502 berita palsu dan 21.417 berita terverifikasi. Proses pengolahan data meliputi serangkaian tahapan, yaitu penyeragaman huruf (case folding), pemecahan teks menjadi token (tokenisasi), eliminasi kata umum (stopword removal), dan normalisasi kata ke bentuk dasar (lemmatization). Representasi fitur dilakukan melalui pembobotan TF-IDF, sedangkan pembagian data menggunakan rasio 80:20 antara data latih dan data uji. Evaluasi menunjukkan performa model yang tinggi, dengan akurasi 93,52%, presisi 94%, recall 93%, dan F1-Score 94%, membuktikan bahwa pendekatan Naive Bayes layak diterapkan sebagai solusi deteksi berita palsu berbasis kecerdasan buatan.]]>
Copyrights © 2026
