Analisis Komparatif Convolutional Neural Network dan Bidirectional Long Short-Term Memory dalam Mendeteksi Hoaks COVID-19 pada Twitter

Ciu, Tania (2022) Analisis Komparatif Convolutional Neural Network dan Bidirectional Long Short-Term Memory dalam Mendeteksi Hoaks COVID-19 pada Twitter. Bachelor Thesis thesis, Universitas Multimedia Nusantara.

Preview	PDF HALAMAN_AWAL.pdf Download (1MB) | Preview
Preview	PDF DAFTAR_PUSTAKA.pdf Download (360kB) | Preview
Preview	PDF BAB_I.pdf Download (406kB) | Preview
Preview	PDF BAB_II.pdf Download (804kB) | Preview
Preview	PDF BAB_III.pdf Download (619kB) | Preview
	PDF BAB_IV.pdf Restricted to Registered users only Download (3MB)
Preview	PDF BAB_V.pdf Download (312kB) | Preview
	PDF LAMPIRAN.pdf Restricted to Registered users only Download (2MB)

Abstract

Pesatnya perkembangan internet dan sosial media tidak hanya memberikan dampak positif, melainkan juga dampak negatif. Salah satunya ialah adanya potensi penyebaran hoaks. Sulit terdeteksinya hoaks menjadi tantangan tersendiri bagi masyarakat. Permasalahan hoaks menjadi semakin krusial terutama ketika dikaitkan dengan bidang kesehatan seperti COVID-19. Hoaks terkait COVID-19 tidak hanya dapat membahayakan kesehatan fisik, tetapi juga kesehatan mental masyarakat. Guna menghadapi permasalahan tersebut, dilakukan penelitian analisis komparatif untuk membandingkan kinerja Convolutional Neural Network dan Bidirectional Long Short-Term Memory dalam mendeteksi hoaks COVID-19. Penelitian dilakukan dengan bertitik tolak pada CRISP-DM framework. Deteksi hoaks dilakukan dengan menggunakan dataset CTF yang dikumpulkan melalui metode pengumpulan data sekunder dimana dataset tersebut memuat data berlabel "fake" dan data berlabel "genuine" dalam jumlah yang seimbang. Hasil penelitian menunjukkan bahwa penggunaan algoritma Convolutional Neural Network mengungguli algoritma Bidirectional Long Short-Term Memory dengan nilai accuracy sebesar 93.75%, precision sebesar 93.10%, recall sebesar 94.50%, dan f1-score sebesar 93.80% dengan waktu training selama 6 menit 22 detik. Dengan adanya penelitian ini, diharapkan dapat digunakan untuk mendeteksi hoaks sedini mungkin sehingga penyebaran hoaks COVID-19 dalam masyarakat dapat diminimalkan.

Item Type:	Thesis (Bachelor Thesis)
Keywords:	Bidirectional Long Short-Term Memory, Convolutional Neural Network, COVID-19, Deteksi hoaks. vii Analisis Komparatif Convolutional..., Tania Ciu, Universitas Multimedia Nusantara
Subjects:	000 Computer Science, Information and General Works > 000 Computer Science, Knowledge and Systems > 004 Computer Science, Data Processing, Hardware > 004.2 Systems Analysis and Design, Information Architecture, Performance Evaluation
Divisions:	Faculty of Engineering & Informatics > Information System
SWORD Depositor:	Administrator UMN Library
Depositing User:	Administrator UMN Library
Date Deposited:	13 Jul 2023 08:32
Last Modified:	13 Jul 2023 08:32
URI:	https://kc.umn.ac.id/id/eprint/20228

Actions (login required)

View Item