Preprint / Version 1

DETEKSI HOAKS PADA BERITA LOKAL INDONESIA MENGGUNAKAN MODEL BERBASIS RECURRENT NEURAL NETWORK

##article.authors##

  • Manullang Marvel Timothy Raphael
  • Muhaimin Kresna Hafizh
  • Fauzulhaq Alfirsa Damasyifa
  • Soetedjo Riza Setiawan
  • Putu Rama Bena Putra
  • Novanto Yudistira Universitas Brawijaya

Keywords:

hoaks, hoax, indonesia, klasifikasi, Recurrent Neural Network

Abstract

Perkembangan teknologi mempermudah akses segala macam informasi apapun. Bersamaan dengan hal tersebut, banyak situs yang mengadopsi format berita daring untuk berbagai macam topik dan jumlahnya meningkat secara eksponensial. Situs tersebut dibuat tanpa adanya filter sehingga tidak sedikit pula informasi palsu ada di dalam situs tersebut. Penelitian ini dilakukan untuk mengklasifikasikan berita yang sifatnya hoaks dan valid dengan menggunakan dataset yang telah disediakan oleh situs Mendeley. Dataset tersebut berisi cuplikan berita dalam bahasa Indonesia yang diberi kelas valid dan hoax. Klasifikasi akan dilakukan dengan menerapkan variasi algoritma Recurrent Neural Network (RNN). Penelitian ini memperoleh hasil yaitu model Long-Short Term Memory (LSTM) dengan Cross Entropy Loss dan Gated Recurrent Unit (GRU) dengan Binary Cross Entropy Loss memberikan akurasi terbaik yaitu sebesar 80%.

References

KEMENTRISTEKDIKTI, 2021. Kamus Besar Bahasa Indonesia. s.l.:s.n.

KEMENTRIAN KOMUNIKASI dan INFORMATIKA Republik Indonesia, 2017. Ada 800.000 Situs Penyebar Hoax di Indonesia. [Online] Available at: https://kominfo.go.id/content/detail/12008/ada-800000-situs-penyebar-hoax-di-indonesia/0/sorotan_media

GOODFELLOW, I., BENGIO, Y. & COURVILLE, A., 2016. Deep Learning. s.l.:s.n.

Pratiwi, Inggrid Yanuar Risca, Rosa Andrie Asmara, and Faisal Rahutomo. "Study of hoax news detection using naïve bayes classifier in Indonesian language." 2017 11th International Conference on Information & Communication Technology and System (ICTS). IEEE, 2017.

GRAVES, A., 2012. Sequence transduction with recurrent neural networks. arXiv preprint arXiv:1211.3711.

HOCHREITER, S. & SCHMIDHUBER, J., 1997. LSTM can solve hard long time lag problems. Advances in neural information processing systems, pp. 473-479.

CHUNG, J., GULCEHRE, C., CHO, K. & BENGIO, Y., 2014. Empirical evaluation of gated recurrent neural networks on sequence modeling. arXiv preprint arXiv:1412.3555.

Paszke, Adam, et al. "Pytorch: An imperative style, high-performance deep learning library." Advances in neural information processing systems 32 (2019).

Yudistira, Novanto. "COVID-19 growth prediction using multivariate long short term memory." arXiv preprint arXiv:2005.04809 (2020).

Selle, Nurfatima, Novanto Yudistira, and Candra Dewi. "Perbandingan Prediksi Penggunaan Listrik dengan Menggunakan Metode Long Short Term Memory (LSTM) dan Recurrent Neural Network (RNN)." Jurnal Teknologi Informasi dan Ilmu Komputer 9.1 (2022): 155-162.

Vidianto, Angga, Achmad Sindunata, and Novanto Yudistira. "Air Pollution Particulate Matter (PM2. 5) Forecasting using Long Short Term Memory Model." 6th International Conference on Sustainable Information Engineering and Technology 2021. 2021.

Published

2022-08-12

Section

Preprints