Implementasi Naive Bayes untuk Klasifikasi Berita Hoaks pada Media Online Berbasis Web

Cindy Paramitha (Universitas Efarina)
Iqbal Giffari Ritonga (Universitas Efarina)
Syaipuddin (Universitas Efarina)

Jurnal Nasional Komputasi dan Teknologi Informasi
Vol. 9 No. 5 (2026): Oktober, 2026

Abstrak - Perkembangan teknologi informasi mempermudah penyebaran informasi, namun juga meningkatkan penyebaran berita hoaks yang dapat menyesatkan masyarakat. Penelitian ini bertujuan membangun sistem klasifikasi berita hoaks berbasis web menggunakan algoritma Multinomial Naive Bayes sebagai alat bantu identifikasi awal berita yang berpotensi hoaks. Dataset diperoleh dari Kaggle dan setelah proses pembersihan terdiri atas 23.709 berita, yang dibagi menjadi 18.967 data latih dan 4.742 data uji dengan perbandingan 80:20. Tahapan penelitian meliputi preprocessing berupa case folding, cleaning, tokenizing, stopword removal, dan stemming, kemudian pembobotan kata menggunakan Term Frequency-Inverse Document Frequency (TF-IDF). Model dilatih menggunakan data latih dan dievaluasi menggunakan data uji. Hasil pengujian menunjukkan bahwa model memperoleh akurasi sebesar 97,34%, dengan F1-score sebesar 97,49% pada kelas hoaks dan 97,18% pada kelas fakta, serta macro-F1 sebesar 97,34%. Sistem yang dikembangkan dapat menerima teks berita dan menampilkan hasil klasifikasi beserta probabilitas prediksi melalui antarmuka berbasis web. Dengan demikian, sistem ini dapat dimanfaatkan sebagai alat bantu penyaringan awal berita yang berpotensi hoaks, bukan sebagai pengganti proses verifikasi fakta. Kata Kunci : Berita Hoaks; Naive Bayes; TF-IDF; Klasifikasi; Web;   Abstract – Advances in information technology have facilitated the dissemination of information but have also increased the spread of hoaxes that may mislead the public. This study aims to develop a web-based hoax news classification system using the Multinomial Naive Bayes algorithm as an initial screening tool for news that may contain hoax information. The dataset was obtained from Kaggle and, after cleaning, consisted of 23,709 news articles, divided into 18,967 training data and 4,742 testing data using an 80:20 ratio. The research stages included preprocessing through case folding, cleaning, tokenization, stopword removal, and stemming, followed by word weighting using Term Frequency-Inverse Document Frequency (TF-IDF). The model was trained using the training data and evaluated using the testing data. The evaluation results showed an accuracy of 97.34%, with an F1-score of 97.49% for the hoax class and 97.18% for the factual class, and a macro-F1 score of 97.34%. The developed system accepts news text and displays the classification result along with the prediction probability through a web-based interface. Therefore, the system can be used as an initial screening tool for news that may contain hoax information, rather than as a substitute for fact-checking. Keywords: Hoax News; Naive Bayes; TF-IDF; Classification; Web;