<![CDATA[Penyebaran misinformasi terkait bencana megathrust di media sosial TikTok berpotensi memicu kepanikan publik dan mengganggu efektivitas komunikasi risiko bencana. Penelitian ini bertujuan menganalisis model klasifikasi informasi valid dan misinformasi terkait megathrust menggunakan pendekatan Natural Language Processing (NLP), algoritma Multinomial Naive Bayes, dan TF-IDF. Data penelitian berupa 2.000 komentar TikTok berbahasa Indonesia yang dikumpulkan secara purposive sampling dari konten relevan dan dibagi ke dalam dua kelas: informasi valid dan misinformasi. Preprocessing meliputi case folding, cleaning, tokenizing, stopword removal, dan stemming menggunakan library Sastrawi. Evaluasi pada 400 data uji menghasilkan akurasi 52%, macro-precision 50,24%, macro-recall 50,20%, dan macro-F1 48,93%. Akurasi tersebut lebih rendah daripada majority-class baseline 54,5%, sehingga model belum memberikan peningkatan dibanding prediksi sederhana yang selalu memilih kelas mayoritas. Kesalahan paling banyak terjadi pada komentar valid yang diprediksi sebagai misinformasi. Hasil ini menunjukkan bahwa variasi bahasa informal dan keterbatasan TF-IDF dalam menangkap konteks masih menjadi tantangan utama pada klasifikasi komentar TikTok]]>
Copyrights © 2026
