Deteksi Hoaks Pemilu pada X Menggunakan CNN dengan  Fitur Pembobotan TF-RF dan TF-IDF - Dalam bentuk buku karya ilmiah

DILA ADELIA

Informasi Umum

Kode

24.04.5364

Klasifikasi

000 - General Works

Jenis

Karya Ilmiah - Skripsi (S1) - Reference

Subjek

Data Science

Dilihat

107 kali

Informasi Lainnya

Abstraksi

Media sosial X merupakan platform mikroblog untuk berbagi pemikiran dan tren singkat. Media sosial ini telah menjadi titik fokus untuk mengekspresikan pandangan politik. Meningkatnya keterlibatan politik di media sosial X telah memfasilitasi penyebaran ide yang cepat dan luas. Namun, media sosial X juga membawa risiko penyebaran informasi palsu dan berita bohong yang dapat memanipulasi opini publik. Mencegah berita bohong di media sosial sangat penting karena dapat memengaruhi hasil pemilu dan stabilitas sosial. Misalnya, media sosial X telah digunakan selama pemilu untuk menyebarkan berita bohong, seperti klaim palsu tentang manipulasi suara atau informasi yang menyesatkan tentang kualifikasi kandidat. Studi ini mengimplementasikan Convolutional Neural Network (CNN) karena kelebihannya dalam mengenali pola yang kompleks dan mencapai kinerja tinggi dalam tugas-tugas seperti klasifikasi. Kumpulan data yang digunakan dalam studi ini terdiri dari 2.670 tweet. Kumpulan data dibagi menjadi tiga subset: 60% untuk pelatihan, 20% untuk pengujian, dan 20% untuk validasi. Penelitian ini juga menggunakan fitur pembobotan Term Frequency Relevance Frequency (TF-RF) dan Term Frequency Inverse Document Frequency (TF-IDF) untuk meningkatkan akurasi dalam mendeteksi berita palsu. Penelitian ini memiliki tujuan membandingkan fitur pembobotan TF-RF dan TF-IDF menggunakan metode klasifikasi CNN pada topik pemilihan umum 2024. Hasil pengujian menunjukkan bahwa TF-RF dan TF-IDF mencapai kinerja keseluruhan yang serupa, dengan TF-RF sedikit lebih unggul dalam recall dan F1-score. Pada saat yang sama, TF-IDF menunjukkan presisi yang sedikit lebih tinggi.<br /> <br /> <b>Kata kunci: Media Sosial X, Hoaks, Convolutional Neural Network, TF-RF, TF-IDF</b>