KLASIFIKASI BERITA POLITIK ASLI DAN PALSU DI INDONESIA DENGAN MENGGUNAKAN METODE BIDIRECTIONAL LONG SHORT-TERM MEMORY

Penelitian ini mengkaji efektivitas motode BIDIRECTIONAL LONG SHORT-TERM MEMORY (BiLSTM) dalam mengklasifikasikan berita politik asli dan palsu di Indonesia. Latar belakang masalah ini adalah maraknya penyebaran berita hoaks politik yang dapat memengaruhi opini publik dan stabilitas demokrasi. Tujuan utama penelitian ini adalah menganalisis efektivitas BiLSTM dalam klasifikasi berita asli dan palsu di ranah politik Indonesia menggunakan Dataset dari Detik.com (berita asli) dan TurnBackHoax.id (berita palsu), serta mengevaluasi kemampuanya dalam meningkatkan akurasi deteksi hoaks dibandingkan metode lain. Metode penelitian ini menggunakan pendekatan deep learning dengan arsitektur BiLSTM. Data dikumpulkan melalui Teknik web scraping dari Detik.com dan TurnBackHoax.id, menghasilkan total 2000 data berita (1000 asli dan 1000 palsu) yang seimbang. Tahapan pra-pemrosesan data meliputi stopword removal, tokenisasi, stemming, dan vektorisasi menggunakan word embedding. Dataset kemudian dibagi menjadi 80% data latih (1600 data) dan 20% data uji (400 data). Model BiLSTM dibangun dengan Embedding Layer, Bidirectional LSTM Layer (64unit), Dropout Layer (30%), dan Dense Layer untuk klasifikasi biner. Model dilatih selama 10 epoch dengan ukuran batch 32. Hasil penelitian menunjukan bahwa model BiLSTM sangat efektif dalam mengklasifikasi berita politik asli dan palsu mencapai akurasi tinggi sebesar 99.25% pada data uji. Evaluasi menggunakan Confusion Matrix dan Clasification Report menunjukkan precision, recall, dan F1-Score yang mendekati 1.00 untuk kedua kelas. Mengindikasi kinerja model yang seimbang dan robust. Tingginya akurasi ini didukung oleh tahapan pra-pemrosesan data yang krusial. Penelitian ini berkontribusi signifikan dalam pengembangan teknologi deteksi berita palsu di ranah politik Indonesia, menawarkan alat yang powerful untuk memerangi hoaks dan meningkatkan literasi digital Masyarakat.