OPTIMASI DETEKSI BERITA HOAKS BAHASA INDONESIA BERBASIS GLOBAL VECTOR (GLOVE) DAN LONG SHORT-TERM MEMORY (LSTM)

Penyebaran berita hoaks melalui media daring di Indonesia kian mengkhawatirkan, mendorong perlunya sistem deteksi otomatis yang andal. Penelitian ini mengusulkan pendekatan optimasi deteksi berita hoaks berbahasa Indonesia dengan memanfaatkan Global Vectors for Word Representation (GloVe) sebagai metode word embedding dalam arsitektur Long Short-Term Memory (LSTM). Dataset terdiri dari 6.258 berita (3.107 hoaks dan 3.151 valid) yang diperoleh dari Kaggle dan Kompas. Untuk mengamati pengaruh penyeimbangan data terhadap performa model, diterapkan teknik Synthetic Minority Oversampling Technique (SMOTE), meskipun dataset awal relatif seimbang. Dua model LSTM dibangun, yaitu model dengan data asli dan model dengan data yang telah melalui SMOTE. Evaluasi dilakukan menggunakan metrik akurasi, presisi, recall, dan F1-score. Hasil evaluasi menunjukkan bahwa model LSTM dengan GloVe tanpa SMOTE menghasilkan performa terbaik dengan akurasi 94,73%, presisi 93,06%, recall 96,92%, dan F1-score 94,95%. Sementara model dengan SMOTE menunjukkan performa yang stabil namun sedikit lebih rendah di semua metrik evaluasi. Hasil penelitian ini mengindikasikan bahwa integrasi GloVe dalam arsitektur LSTM efektif untuk deteksi berita hoaks, dan penyeimbangan data dengan SMOTE pada dataset yang hampir seimbang tidak selalu meningkatkan performa model.