Implementasi Logistic Regression dan Ridge Classifier untuk Deteksi Berita Hoaks Bahasa Indonesia

Alfarizky Ramadhani Oscandar, Mohammad (2025) Implementasi Logistic Regression dan Ridge Classifier untuk Deteksi Berita Hoaks Bahasa Indonesia. MBKM thesis, Universitas Multimedia Nusantara.

	PDF HALAMAN_AWAL.pdf Download (1MB)
	PDF BAB_I.pdf Download (212kB)
	PDF BAB_II.pdf Download (254kB)
	PDF BAB_III.pdf Download (339kB)
	PDF BAB_IV.pdf Restricted to Registered users only Download (993kB)
	PDF BAB_V.pdf Download (206kB)
	PDF DAFTAR_PUSTAKA.pdf Download (205kB)
	PDF LAMPIRAN.pdf Restricted to Registered users only Download (3MB)
	PDF LEMBAR_PENGESAHAN.pdf Download (53kB)

Abstract

Penelitian ini mengimplementasikan dan membandingkan model Logistic Regression dan Ridge Classifier untuk mendeteksi berita hoaks berbahasa Indonesia. Dataset yang digunakan terdiri dari 29.482 artikel berita yang dikumpulkan dari portal berita Kompas, Tempo, dan database Mafindo. Proses preprocessing data meliputi pembersihan teks, tokenisasi, dan stemming menggunakan library Sastrawi. Fitur teks diekstraksi menggunakan Count Vectorizer dengan total 5.000 fitur yang terdiri dari 2.500 fitur judul dan 2.500 fitur konten berita. Evaluasi performa model menunjukkan bahwa Logistic Regression mencapai akurasi 98% sementara Ridge Classifier mencapai 97%. Meskipun terdapat perbedaan tipis pada metrik evaluasi, kedua model menunjukkan performa yang sangat baik dalam mengklasifikasikan berita hoaks dengan nilai precision, recall, dan F1-score yang tinggi. Hasil penelitian juga mengungkapkan bahwa fitur dari isi berita memiliki pengaruh yang lebih signifikan dibandingkan fitur judul dalam menentukan klasifikasi berita.

Item Type:	Thesis (MBKM)
Keywords:	Logistic Regression, Ridge Classifier, deteksi hoaks, pemrosesan bahasa alami, klasifikasi teks
Subjects:	?? T58.5-58.64 ??
Divisions:	Faculty of Engineering & Informatics > Informatics
SWORD Depositor:	Administrator UMN Library
Depositing User:	Administrator UMN Library
Date Deposited:	30 Jan 2025 13:05
Last Modified:	30 Jan 2025 13:05
URI:	https://kc.umn.ac.id/id/eprint/36183

Actions (login required)

View Item