Klasifikasi Berita Hoaks pada Media Online Menggunakan Open Source Intelligence dan Algoritma Support Vector Machine

Abstract

ABSTRAK
Perkembangan media online yang pesat memudahkan masyarakat dalam memperoleh informasi secara cepat dan luas. Namun, kemudahan tersebut juga meningkatkan penyebaran berita hoaks yang dapat menimbulkan dampak negatif bagi masyarakat. Oleh karena itu, diperlukan suatu sistem yang mampu mengklasifikasikan berita hoaks secara otomatis dan akurat. Penelitian ini bertujuan untuk membangun sistem klasifikasi berita hoaks pada media online menggunakan metode Open Source Intelligence (OSINT) dan algoritma Support Vector Machine (SVM). Dataset diperoleh dari sumber terbuka berbasis web, yaitu situs klarifikasi hoaks dan portal berita online, yang kemudian melalui tahapan Preprocessing meliputi pembersihan teks, normalisasi, dan tokenisasi. Proses ekstraksi fitur dilakukan menggunakan metode Term Frequency–Inverse Document Frequency (TF-IDF) untuk merepresentasikan teks dalam bentuk numerik. Model klasifikasi dibangun menggunakan algoritma SVM dengan kernel linear karena efektif dalam menangani data teks berdimensi tinggi.Hasil pengujian menunjukkan bahwa model yang dikembangkan mampu mengklasifikasikan berita hoaks dan non-hoaks dengan tingkat akurasi sebesar 96,20%, serta didukung oleh nilai precision, recall, dan F1-score yang tinggi. Hal ini menunjukkan bahwa kombinasi metode OSINT, TF-IDF, dan SVM efektif dalam membangun sistem klasifikasi berita hoaks berbasis web dengan performa yang baik.

Kata kunci: Klasifikasi Teks, Berita Hoaks, Media Online, OSINT, TF-IDF, Support Vector Machine.

ABSTRACT
The rapid development of online media makes it easier for people to obtain information quickly and widely. However, this convenience also increases the spread of hoax news, which can have negative impacts on society. Therefore, a system capable of automatically and accurately classifying hoax news is needed. This research aims to develop a hoax news classification system in online media using Open Source Intelligence (OSINT) methods and the Support Vector Machine (SVM) algorithm. The Dataset was obtained from web-based open sources, namely hoax clarification websites and online news portals. The data were then subjected to Preprocessing stages including text cleaning, normalization, and tokenization. The feature extraction process was carried out using the Term Frequency–Inverse Document Frequency (TF-IDF) method to represent text in numerical form. The classification model was built using the SVM algorithm with a linear kernel because it is effective in handling high-dimensional text data. Test results show that the developed model is capable of classifying hoax and non-hoax news with an accuracy rate of 96.20%, supported by high precision, recall, and F1-score values. This demonstrates that the combination of OSINT, TF-IDF, and SVM methods is effective in building a web-based hoax news classification system with good performance.

Keywords: Text Classification, Hoax News, Online Media, OSINT, TF-IDF, Support Vector Machine.