Fake and Truthful News Classification on Website Articles Using Naive-Bayes Classifier

MOHAMMAD GALIH A, Bambang Nurcahyo Prastowo, Drs., M.Sc

2020 | Skripsi | S1 ILMU KOMPUTER

KLASIFIKASI BERITA PALSU DAN ASLI PADA ARTIKEL WEBSITE MENGGUNAKAN KLASIFIKASI NAIVE-BAYES Mohammad Galih A. 15/380920 / PA / 16728 Artikel situs web yang dibuat oleh penulis konten mempunyai kredibilitas yang beragam. Artikel website disusun dengan sejumlah besar karakter. Artikel dapat berisi apa saja, mulai dari informasi hingga pendapat. Beberapa penelitian serupa telah dilakukan untuk melihat apakah artikel yang berisi berita ini dapat dianalisis untuk tujuan klasifikasi. Pengklasifikasi Bayesian memungkinkan algoritma pembobotan seperti TF-IDF diimplementasikan di dalamnya untuk meningkatkan kinerja. Dalam penelitian ini, tujuannya adalah untuk menerapkan pembobotan TF-IDF ke pengklasifikasi Naive Bayes untuk menghasilkan skor kinerja tinggi ketika digunakan untuk tujuan mengklasifikasikan berita palsu dan berita yang benar. Penelitian ini dilakukan menggunakan kumpulan data artikel yang diperoleh dari Snopes.com. Data artikel yang dikumpulkan terdiri dari 99 berita benar dan 50 berita palsu Hasil yang diperoleh dalam penelitian ini memberikan akurasi tertinggi 81,6%, presisi 100%, recall 78%, dan F1-Score 88%, untuk kemampuan sistem membedakan antara berita palsu dan berita yang benar. Kata Kunci: Naive Bayes, Istilah Frekuensi-Inverse Dokumen Frekuensi, Klasifikasi

ABSTRACT FAKE AND TRUTHFUL NEWS CLASSIFICATION ON WEBSITE ARTICLES USING NAIVE-BAYES CLASSIFIER Mohammad Galih A. 15/380920/PA/16728 A website article made by a content writer with varied credibility. It composed with a huge number of characters. An article can contain anything from information to opinions. Several similar researches have been done to see whether these articles containing news can be analyzed for the purpose of classification. A Bayesian classifier allows a weighting algorithm such as TF-IDF to be implemented within it to improve performance. In this research, the goal is to implement TF-IDF weighting to a Naive Bayes classifier in order to produce a high performance score when used for the purpose of classifying fake news and truthful news. It is done with a collection of articles data obtained from Snopes.com. The article data collected consist of 99 true news and 50 fake news The results obtained in this research gave the highest accuracy of 81.6%, precision of 100%, recall of 78%, and F1-Score of 88%, for the system�s ability of distinguishing between fake news and truthful news. Key Words: Naive Bayes, Term Frequency-Inverse Document Frequency, Classification

Kata Kunci : Naive Bayes, Term Frequency-Inverse Document Frequency, Classification