DETEKSI BERITA HOAKS BERBAHASA INDONESIA MENGGUNAKAN CNN-LSTM DAN INDOBERT DENGAN DUKUNGAN EVIDENCE RETRIEVAL

Abstract

Penyebaran berita hoaks berbahasa Indonesia di media digital semakin meningkat dan berpotensi menimbulkan dampak sosial yang signifikan. Karakteristik berita hoaks yang menyerupai berita valid menyebabkan proses verifikasi informasi menjadi sulit dilakukan secara manual. Penelitian ini bertujuan mengembangkan sistem deteksi berita hoaks berbahasa Indonesia dengan membandingkan kinerja model IndoBERT dan CNN-LSTM serta mengintegrasikan evidence retrieval untuk mendukung verifikasi informasi. Dataset yang digunakan berasal dari Kaggle "Deteksi Berita Hoaks Indo" yang terdiri dari 23.942 berita dari TurnBackHoax.id, Antaranews, Kompas, dan Detik.com. Setelah proses pembersihan data dan deduplikasi diperoleh 21.130 data yang dibagi dengan rasio 70:15:15 untuk data training, validation, dan testing. Model CNN-LSTM dan IndoBERT dievaluasi menggunakan metrik accuracy, precision, recall, dan F1-score, kemudian diimplementasikan pada aplikasi web berbasis Flask yang mendukung input teks dan URL berita. Hasil penelitian menunjukkan bahwa IndoBERT memperoleh performa terbaik dengan accuracy 99,12% dan F1-score 0,99, sedangkan CNN-LSTM memperoleh accuracy 97% dan F1-score 0,97. Integrasi evidence retrieval berhasil menyediakan sumber informasi eksternal yang relevan sebagai pendukung hasil deteksi. Hasil penelitian menunjukkan bahwa IndoBERT lebih efektif dibandingkan CNN-LSTM dalam mendeteksi berita hoaks berbahasa Indonesia serta mampu mendukung proses verifikasi informasi yang lebih transparan