Explainable Transformer-Based Fake News Detection pada Media Sosial Indonesia Menggunakan IndoBERT dan SHAP

Abstract

Tujuan : Perkembangan media sosial di Indonesia meningkatkan penyebaran informasi secara cepat, namun juga memicu meningkatnya penyebaran berita palsu (fake news) yang berdampak pada opini publik dan stabilitas sosial. Penelitian ini bertujuan membangun sistem deteksi fake news berbasis Explainable Transformer menggunakan IndoBERT dan SHAP pada media sosial Indonesia. Dataset penelitian diperoleh dari Indonesian Hoax News Dataset, Kaggle Indo Fake News Dataset, dan data Twitter/X Indonesia dengan total 18.450 data teks.

Metode/Design/Pendekatan: Metode penelitian meliputi preprocessing teks, tokenisasi, stemming, pelatihan model IndoBERT, evaluasi performa menggunakan confusion matrix, serta interpretasi model menggunakan SHAP (SHapley Additive exPlanations).

Hasil/Temuan: Hasil penelitian menunjukkan bahwa model IndoBERT memperoleh accuracy sebesar 94,21%, precision sebesar 93,84%, recall sebesar 94,67%, F1-score sebesar 94,25%, dan ROC-AUC sebesar 95,11%. Visualisasi SHAP menunjukkan bahwa token seperti “viral”, “sebarkan”, dan “bocor” memiliki kontribusi tinggi terhadap prediksi fake news, sedangkan token “resmi” dan “klarifikasi” berkontribusi terhadap prediksi real news.

Kebaharuan/Originalitas/Nilai: Penelitian ini membuktikan bahwa integrasi IndoBERT dan Explainable AI mampu meningkatkan akurasi sekaligus transparansi sistem deteksi berita palsu pada media sosial