Komparasi Motode Support Vector Machine, Naïve Bayes, dan Random Forest Pada Natural Language Processing Terhadap Berita Negatif

Abstract

Abstrak.

Tujuan : Penyebaran berita negatif melalui media daring semakin marak dan berpotensi menyebabkan disinformasi di masyarakat. Penelitian ini bertujuan untuk membangun sistem deteksi berita negatif berbasis teks menggunakan pendekatan Natural Language Processing (NLP)

Metode/Design/Pendekatan: pendekatan Natural Language Processing (NLP) dan membandingkan kinerja tiga algoritma klasifikasi: Random Forest, Support Vector Machine (SVM), dan Naive Bayes. Dataset terdiri dari kumpulan berita negatif dan valid berbahasa Indonesia yang telah melalui tahapan praproses teks seperti case folding, tokenisasi, stopword removal, dan stemming. Fitur teks diekstraksi menggunakan metode TF-IDF untuk mengubah data teks menjadi vektor numerik.

Hasil/Temuan: Model dilatih dan dievaluasi menggunakan metode K-Fold Cross-Validation serta metrik akurasi, precision, recall, dan F1-score. Hasil penelitian menunjukkan bahwa Random Forest memberikan performa terbaik dengan akurasi sebesar 93,2%, precision 92,7%, recall 94,1%, dan F1-score 93,4%, mengungguli SVM dan Naive Bayes.

Kebaharuan/Originalitas/Nilai: Temuan ini menunjukkan bahwa integrasi teknik NLP dengan model klasifikasi seperti Random Forest efektif dalam mendeteksi dan mengklasifikasikan berita negatif, serta dapat diterapkan sebagai solusi untuk mengurangi penyebaran informasi palsu di era digital.