ANALISIS KOMPARATIF OPTIMAL PARAMETER MODEL UNTUK DETEKSI BERITA PALSU DENGAN ALGORITMA NAÏVE BAYES, SUPPORT VECTOR MACHINE DAN RANDOM FOREST

Dalam era digital saat ini, terdapat penyebaran berita palsu yang luas dapat
menimbulkan tantangan serius dalam menjaga kualitas informasi yang diterima
oleh publik. Salah satu pendekatan yang dapat digunakan untuk mengatasi
masalah ini adalah dengan memanfaatkan algoritma pembelajaran mesin untuk
secara otomatis mendeteksi dan mengklasifikan berita palsu. Penelitian ini
bertujuan untuk melakukan analisis komparatif terhadap tiga algoritma
pembelajaran mesin yaitu Naïve Bayes, Support Vector Machine (SVM), dan
Random Forest. Fokus analisis ini adalah menemukan parameter terbaik untuk
masing-masing model agar dapat menghasilkan performa deteksi terbaik.
Dataset yang digunakan berasal dari platform Kaggle, berupa kumpulan berita
dalam Bahasa Inggris yang telah diklasifikasikan sebagai berita palsu dan asli
dengan metode penelitian yang digunakan adalah studi komparasi dengan
tahapan preprocessing data, ekstraksi fitur menggunakan Term FrequencyInverse Document Frequency, tuning parameter melalui teknik GridSearchCV
dan RandomizedSearchCV. Akurasi, presisi, recall dan f1-score digunakan untuk
menilai performa. Hasil penelitian menunjukkan bahwa algoritma metrik
Random Forest yaitu 8,16% dengan parameter optimal mampu bersaing dengan
algoritma Naïve Bayes dan Support Vector Machine. Ini menunjukkan bahwa
pemilihan dan pengaturan parameter yang tepat pada algoritma pembelajaran
mesin sangat berpengaruh terhadap kinerja deteksi berita palsu.