Optimasi Hyperparameter Convolutional Neural Network-Long Short-Term Memory dengan Fitur GloVe untuk Klasifikasi Berita Palsu

Abstract

Dalam upaya mengatasi penyebaran berita palsu di era digital yang semakin meresahkan, penelitian ini berfokus pada pengembangan metode untuk meningkatkan akurasi dalam mengidentifikasi dan menyaring berita palsu. Melalui penggunaan teknik klasifikasi teks dengan bantuan word embedding GloVe dan model Convolutional Neural Network-Long Short-Term Memory (CNN-LSTM), penelitian ini berhasil mencapai akurasi sebesar 96.87% melalui tuning hyperparameter. Pendekatan ini mengintegrasikan analisis teks dengan kecerdasan buatan untuk memperkuat kemampuan membedakan antara berita palsu dan berita yang sah. Metode word embedding GloVe digunakan untuk memperkaya representasi kata dalam teks, sementara model CNN-LSTM memungkinkan pengambilan fitur-fitur penting dari teks dan memperhitungkan urutan kata-kata. Dengan hasil eksperimen yang menunjukkan potensi besar dari pendekatan ini, diharapkan bahwa teknik-teknik ini dapat membantu dalam menghadapi tantangan yang kompleks terkait penyebaran berita palsu di lingkungan digital. Dengan terus berkembangnya kecerdasan komputasional, upaya-upaya seperti ini diharapkan akan terus melahirkan solusi yang lebih efektif untuk menciptakan lingkungan online yang lebih aman dan terpercaya.