Perbandingan Naïve Bayes dan CNN yang Dioptimasi PSO pada Identifikasi Berita Hoax Politik Indonesia

Abstract

Berita palsu dalam politik menjadi ancaman serius terhadap stabilitas demokrasi dan kepercayaan publik terhadap informasi. Fenomena ini tidak hanya meresahkan, tetapi juga memiliki dampak yang dapat mengganggu proses demokrasi serta kepercayaan masyarakat terhadap media dan pemerintah. Penelitian ini bertujuan untuk menyelidiki dan membandingkan kinerja dua algoritma yang berbeda, yaitu Naïve Bayes (NB) dan Convolutional Neural Network (CNN), yang telah dioptimalkan menggunakan Particle Swarm Optimization (PSO), dalam mendeteksi berita palsu di ranah politik Indonesia. Untuk mencapai tujuan ini, penelitian menggunakan dataset berita politik yang telah melalui proses text preprocessing, termasuk pembersihan data dan normalisasi teks. Hasil penelitian menunjukkan bahwa model Naïve Bayes secara konsisten mampu mengungguli kinerja CNN, baik dengan atau tanpa penerapan PSO. Akurasi model Naïve Bayes mencapai 90.71%, sementara CNN mencapai 80.86% tanpa PSO, 79.68% dengan PSO, dan Naïve Bayes dengan PSO mencapai 90.25%. Temuan ini menegaskan bahwa pendekatan menggunakan algoritma Naïve Bayes memiliki potensi lebih besar dalam mengidentifikasi berita palsu dalam konteks politik Indonesia. Kontribusi signifikan dari penelitian ini terletak pada pemahaman yang lebih mendalam mengenai metode deteksi berita palsu, serta memberikan wawasan yang penting bagi pengembangan strategi yang efektif dalam menanggulangi permasalahan berita palsu di era digital. Oleh karena itu, diharapkan bahwa penelitian ini akan memberikan nilai tambah dalam upaya mempertahankan keaslian informasi politik dan meningkatkan kualitas demokrasi di Indonesia.