EVALUASI KOMPARATIF ALGORITMA MACHINE LEARNING SVM + TF-IDF DENGAN RANDOM FOREST + WORD EMBEDDING FASTTEXT UNTUK DETEKSI HOAKS DI INDONESIA

Hoaks berbahasa Indonesia terus meningkat penyebarannya di media digital dan sulit dibedakan secara manual dari berita valid, sehingga diperlukan metode klasifikasi teks yang akurat untuk mendeteksinya. Penelitian ini bertujuan mengevaluasi dan membandingkan kinerja algoritma Support Vector Machine (SVM) dengan fitur Term Frequency-Inverse Document Frequency (TF-IDF) dan Random Forest dengan Word Embedding FastText dalam mendeteksi hoaks berbahasa Indonesia. Penelitian menggunakan pendekatan kuantitatif eksperimental melalui tahapan pengumpulan dataset dari portal TurnBackHoax dan Detik.com, preprocessing, ekstraksi fitur, dan pelatihan model dengan skema Stratified 5-Fold Cross Validation, serta evaluasi menggunakan metrik Accuracy, Precision, Recall, dan F1-Score. Hasil pengujian menunjukkan model Support Vector Machine (SVM) dengan Term Frequency-Inverse Document Frequency (TF-IDF) memperoleh performa terbaik dengan Accuracy 99,52%, Precision 99,54%, Recall 99,50%, dan F1-Score 99,52%, sedangkan Random Forest dengan Word Embedding FastText memperoleh Accuracy 94,18%, Precision 94,40%, Recall 93,94%, dan F1-Score 94,12%. Hasil ini meningkat signifikan dibandingkan penelitian sebelumnya, yang hanya memperoleh Accuracy 50%, Precision 51%, Recall 51%, dan F1-Score 51% untuk Support Vector Machine (SVM) dengan Term Frequency-Inverse Document Frequency (TF-IDF), serta Accuracy 70,27%, Precision 80%, Recall 54%, dan F1-Score 54% untuk Random Forest dengan Word Embedding FastText. Kombinasi SVM dan TF-IDF terbukti lebih efektif, dan penelitian ini diharapkan menjadi referensi bagi pengembangan sistem deteksi hoaks di Indonesia.