PERBANDINGAN ALGORITMA NA-VE BAYES DAN K-NEAREST NEIGHBOR UNTUK KLASIFIKASI BERITA HOAX KESEHATAN DI MEDIA SOSIAL TWITTER

KRISNA, DHEO ALPIAN NANDA (2022) PERBANDINGAN ALGORITMA NA-VE BAYES DAN K-NEAREST NEIGHBOR UNTUK KLASIFIKASI BERITA HOAX KESEHATAN DI MEDIA SOSIAL TWITTER. S1 thesis, Universitas Mercu Buana Jakarta.

Preview	Text (HAL COVER) 01 Cover.pdf Download (1MB) | Preview
Preview	Text (ABSTRAK) 02 Abstraks.pdf Download (25kB) | Preview
	Text (BAB I) 03 Bab 1.pdf Restricted to Registered users only Download (128kB)
	Text (BAB II) 04 Bab 2.pdf Restricted to Registered users only Download (56kB)
	Text (BAB III) 05 Bab 3.pdf Restricted to Registered users only Download (104kB)
	Text (BAB IV) 06 Bab 4.pdf Restricted to Registered users only Download (111kB)
	Text (BAB V) 07 Bab 5.pdf Restricted to Registered users only Download (59kB)
	Text (DAFTAR PUSTAKA) 08 Daftar Pustaka.pdf Restricted to Registered users only Download (174kB)
	Text (LAMPIRAN) 09 Lampiran.pdf Restricted to Registered users only Download (237kB)

Abstract

Along with the rapid development of technology, making the spread of information and news unstoppable. Only by opening social media on the smart devices that we use, we can get all kinds of news. Of course, not all the news we get is factual information, but fake news or hoax news. This study focuses on comparing the two algorithms by utilizing fake news that is widely spread on social media, especially on social media Twitter. Later this research can be useful for classifying hoax news on Twitter social media. The presence of fake news or hoaxes has a very extraordinary impact that can have the potential to make people's perceptions or views become misguided where they think that fake news or hoaxes are the truth. Not only that, because it is easier for fake news or hoaxes to spread on social media, making it difficult for us to determine which news is true and which is fake news or hoax. Examples of such negative impacts are what we must avoid. In this study, two algorithms were used, namely the K-Nearest Neighbor (KNN) and Naïve Bayes (NB) algorithms. The two algorithms are used to classify hoax news on Twitter social media. The results obtained are the K-Nearest Neighbor (KNN) algorithm provides a better accuracy value than the algorithm and Naïve Bayes (NB). With an accuracy value of 0.68 for the K-Nearest Neighbor KNN algorithm and 0.66 for the algorithm and Naïve Bayes (NB). Key words: Hoax, Twitter, K-Nearest Neighbor, Naïve Bayes Seiring dengan perkembangan teknologi yang sangat pesat, membuat persebaran informasi maupun berita menjadi tidak terbendung. Hanya dengan membuka media sosial yang ada di dalam perangkat pintar yang kita gunakan, maka segala macam berita bisa kita peroleh.Tentunya, tidak semua berita yang di dapat merupakan informasi yang bersifat fakta, melainkan berita bohong atau berita hoax. Penelitian ini berfokus pada membandingkan kedua algoritma dengan memanfaatkan berita bohong yang marak tersebar di dalam media sosial khususnya di media sosial Twitter. Nantinya penelitian ini bisa bermanfaat untuk mengklasifikasi berita hoax yang ada di media sosial Twitter. Dengan hadir nya berita bohong atau hoax memiliki dampak yang sangat luar biasa yang bisa berpotensi untuk membuat persepi ataupun pandangan masyarakat menjadi sesat dimana menganggap berita bohong atau hoax itu merupakan sebuah kebenaran. Bukan hanya itu, karena semakin mudahnya berita bohong atau hoax menyebar di sosial media, membuat kita kesulitan untuk menentukan mana berita yang benar dan mana yang berita bohong atau hoax. Contoh dampak negatif seperti itulah yang harus kita hindari. Di dalam penelitian ini menggunakan dua algoritma, yaitu algoritma K-Nearest Neighbor (KNN) dan Naïve Bayes (NB). Kedua algoritma tersebut digunakan untuk mengklasifikasi berita hoax yang ada di media sosial Twitter. Hasil yang diperoleh adalah algoritma K-Nearest Neighbor (KNN) memberikan nilai akurasi yang lebih baik dibanding dengan algoritma Naïve Bayes (NB). Dengan nilai akurasi sebesar 0.68 untuk algoritma K-Nearest Neighbor KNN dan 0.66 untuk algoritma dan Naïve Bayes (NB). Kata kunci: Hoax, Twitter, K-Nearest Neighbor, Naïve Bayes

Item Type:	Thesis (S1)
Call Number CD:	FIK/INFO. 22 145
Call Number:	SIK/15/22/033
NIM/NIDN Creators:	41518010028
Uncontrolled Keywords:	Hoax, Twitter, K-Nearest Neighbor, Naïve Bayes
Subjects:	000 Computer Science, Information and General Works/Ilmu Komputer, Informasi, dan Karya Umum > 000. Computer Science, Information and General Works/Ilmu Komputer, Informasi, dan Karya Umum > 001 Knowledge/Ilmu Pengetahuan > 001.9 Controversial Knowledge/Pengetahuan Kontroversial > 001.95 Deceptions and Hoaxes/Penipuan dan Hoax 000 Computer Science, Information and General Works/Ilmu Komputer, Informasi, dan Karya Umum > 000. Computer Science, Information and General Works/Ilmu Komputer, Informasi, dan Karya Umum > 006 Special Computer Methods/Metode Komputer Tertentu > 006.7 Multimedia Systems/Sistem-sistem Multimedia > 006.75 Social Multimedia/Multimedia Social > 006.754 Online Social Network/Situs Jejaring Sosial, Sosial Media 500 Natural Science and Mathematics/Ilmu-ilmu Alam dan Matematika > 510 Mathematics/Matematika > 518 Numerical Analysis/Analisis Numerik, Analisa Numerik > 518.1 Algorithms/Algoritma
Divisions:	Fakultas Ilmu Komputer > Informatika
Depositing User:	ADELINA HASNA SETIAWATI
Date Deposited:	26 Oct 2022 06:02
Last Modified:	26 Oct 2022 06:02
URI:	http://repository.mercubuana.ac.id/id/eprint/70952

Actions (login required)

View Item