Implementasi Algoritma Convolutional Neural Network (CNN) Dalam Mendeteksi Berita Hoaks Pada Media Social

Authors

  • Ilham Aji Pangestu Universitas Pamulang, Kota Tangerang Selatan, Indonesia
  • Saprudin Saprudin Universitas Pamulang, Kota Tangerang Selatan, Indonesia

DOI:

https://doi.org/10.38035/jemsi.v7i2.6993

Keywords:

Hoaks, Media Sosial, Deep Learning, X(Twitter), Convolutional Neural Network, Komentar Teks

Abstract

Penyebaran berita palsu (hoaks) di media sosial semakin meningkat dan berdampak negatif terhadap masyarakat, mulai dari menimbulkan kebingungan hingga mengganggu stabilitas sosial. Penelitian ini bertujuan untuk membangun sistem deteksi berita hoaks berbasis Convolutional Neural Network (CNN) dengan menggunakan data komentar dari platform X (Twitter). Data yang terkumpul berjumlah 5.534 komentar, yang setelah tahap preprocessing menghasilkan 4.117 komentar . Proses pelabelan menunjukkan bahwa mayoritas data termasuk kategori hoaks (88,05%). Data kemudian dibagi menjadi data latih dan uji untuk pengembangan model CNN. Hasil evaluasi menunjukkan performa dengan akurasi 88,2%, precision 91,8%, recall 95,2%, serta F1-score 93,4%. Selain itu, model ini berhasil diimplementasikan ke dalam aplikasi web berbasis Gradio. Penelitian ini membuktikan bahwa CNN efektif dalam mengklasifikasi berita hoaks berbasis teks dan dapat digunakan untuk meningkatkan keakuratan identifikasi dalam berita hoaks.

References

Afandi, Y. (2019). Gereja dan Pengaruh Teknologi Informasi “Digital Ecclesiology.” Fidei: Jurnal Teologi Sistematika Dan Praktika, 1(2), 270–283. https://doi.org/10.34081/270033

Agustina, N., Adrian, A., & Hermawati, M. (2022). Implementasi Algoritma Naïve Bayes Classifier untuk Mendeteksi Berita Palsu pada Sosial Media. Faktor Exacta, 14(4), 206. https://doi.org/10.30998/faktorexacta.v14i4.11259

Angelina M. T. I. Sambi Ua, Diandra Lestriani H, Elizabeth Sonia Kristanty Marpaung, Jesslyn Ong, Michelle Savinka, Putri Nurhaliza, & Rahmi Yulia Ningsih. (2023). Penggunaan Bahasa Pemrograman Python Dalam Analisis Faktor Penyebab Kanker Paru-Paru. Jurnal Publikasi Teknik Informatika, 2(2), 88–99. https://doi.org/10.55606/jupti.v2i2.1742

Darmalaksana. (2020). DARMA: Adaptable service and resource management for wireless sensor networks. Metode Penelitian Kualitatif Studi Pustaka Dan Studi Lapangan, 1–6. https://doi.org/10.1145/1658192.1658193

DWINATA, A. C. (2023). Identifikasi Konten Negatif Pada Twitter Dengan Deep Learning. https://dspace.uii.ac.id/handle/123456789/42556%0Ahttps://dspace.uii.ac.id/bits tream/handle/123456789/42556/17523030.pdf?sequence=1&isAllowed=y

Hamzah, R. E., & Putri, C. E. (2020). Mengenal dan Mengantisipasi Hoax di Media Sosial pada Kalangan Pelajar. Jurnal Abdi MOESTOPO, 03(01), 9–12.

Hendriyanto, M. D., & Sari, B. N. (2022). Penerapan Algoritma K-Nearest Neighbor Dalam Klasifikasi Judul Berita Hoax. Jurnal Ilmiah Informatika, 10(02), 80–84. https://doi.org/10.33884/jif.v10i02.5477

Jinan, A., Hayadi, B. H., & Utama, U. P. (2022). Klasifikasi Penyakit Tanaman Padi Mengunakan Metode Convolutional Neural Network Melalui Citra Daun (Multilayer Perceptron). Journal of Computer and Engineering Science, 1(2), 37–44.

Khalkia, I. (2023). Analisis Berita hoax dalam Bahasa Indonesia Menggunakan Metode Multilingual Bert.

Lumingkewas, C., & Mokodaser, W. G. (2025). Integrasi XGBoost dan Visualisasi Gradio untuk Memprediksi Pendapatan Pembayar Asuransi: Studi Kasus Rumah Sakit Swasta di Manado. Techno.Com, 24(2), 365–377. https://doi.org/10.62411/tc.v24i2.12633

Prasetyo, V. R., Benarkah, N., & Chrisintha, V. J. (2021). Implementasi Natural Language Processing Dalam Pembuatan Chatbot Pada Program Information Technology Universitas Surabaya. Teknika, 10(2), 114–121. https://doi.org/10.34148/teknika.v10i2.370

Putra, F., Tahiyat, H. F., Ihsan, R. M., Rahmaddeni, R., & Efrizoni, L. (2024). Penerapan Algoritma K-Nearest Neighbor Menggunakan Wrapper Sebagai Preprocessing untuk Penentuan Keterangan Berat Badan Manusia. MALCOM: Indonesian Journal of Machine Learning and Computer Science, 4(1), 273–281. https://doi.org/10.57152/malcom.v4i1.1085

Ramadhan, V., Pambudi, A., Informatika, T., & Sukabumi, U. M. (2024). IMPLEMENTASI ALGORITMA CONVOLUTIONAL NEURAL NETWORK UNTUK MENGIDENTIFIKASI BERITA HOAKS BERBAHASA INDONESIA. 8(5), 10945–10952.

Rasidin, M., Witro, D., Yanti, B. Z., Purwaningsih, R. F., & Nurasih, W. (2020). the Role of Government in Preventing the Spread of Hoax Related the 2019 Elections in Social Media. Diakom : Jurnal Media Dan Komunikasi, 3(2), 127–137. https://doi.org/10.17933/diakom.v3i2.76

Rosaly, R., & Prasetyo, A. (2020). Flowchart Beserta Fungsi dan Simbol-Simbol. Journal of Chemical Information and Modeling, 2(3), 5–7.

Rusdiyanti, S., Hutagalung, B., Afandi, R., Firmansyah, S. M., & Radianto, D. O. (2023). Pentingnya Literasi Informasi dalam Menghadapi Tantangan Informasi Palsu (Hoaks). Jurnal Multidisiplin Dehasen (MUDE), 2(3), 395–400. https://doi.org/10.37676/mude.v2i3.4321

Studi, P., & Informasi, S. (2024). ANALISIS HYBRID METODE CNN DAN LSTM DALAM MEDIA BERITA ONLINE INDONESIA. 5(1), 41–54. https://doi.org/10.55122/junsibi.v5i1.1173

Tilasefana, R. A., & Putra, R. E. (2023). Penerapan Metode Deep Learning Menggunakan Algoritma CNN Dengan Arsitektur VGG NET Untuk Pengenalan Cuaca. Journal of Informatics and Computer Science (JINACS), 05(1), 48–57.

Ula, M. (2020). Analisa Dan Deteksi Konten Hoax Pada Media Berita Indonesia Menggunakan Machine Learning. Jurnal Teknologi Terapan and Sains 4.0, 1(2), 229. https://doi.org/10.29103/tts.v1i2.3263

Downloads

Published

2025-12-20

How to Cite

Aji Pangestu, I., & Saprudin, S. (2025). Implementasi Algoritma Convolutional Neural Network (CNN) Dalam Mendeteksi Berita Hoaks Pada Media Social. Jurnal Ekonomi Manajemen Sistem Informasi, 7(2), 1675–1682. https://doi.org/10.38035/jemsi.v7i2.6993

Issue

Vol. 7 No. 2 (2025): Jurnal Ekonomi Manajemen Sistem Informasi (November-Desember 2025)

Section

Articles

License

Copyright (c) 2025 Ilham Aji Pangestu, Saprudin Saprudin

Creative Commons License

This work is licensed under a Creative Commons Attribution 4.0 International License.

Hak cipta :

Penulis yang mempublikasikan manuskripnya di jurnal ini menyetujui ketentuan berikut:

  1. Hak cipta pada setiap artikel adalah milik penulis.
  2. Penulis mengakui bahwa Jurnal Ekonomi Manajemen Sistem Informasi (JEMSI) berhak menjadi yang pertama menerbitkan dengan lisensi Creative Commons Attribution 4.0 International (Attribution 4.0 International CC BY 4.0) .
  3. Penulis dapat mengirimkan artikel secara terpisah, mengatur distribusi non-eksklusif manuskrip yang telah diterbitkan dalam jurnal ini ke versi lain (misalnya, dikirim ke repositori institusi penulis, publikasi ke dalam buku, dll.), dengan mengakui bahwa manuskrip telah diterbitkan pertama kali di Jurnal Ekonomi Manajemen Sistem Informasi (JEMSI).