PENERAPAN MODEL TRANSFORMER INDOBERT UNTUK KLASIFIKASI BERITA HOAKS BERBAHASA INDONESIA

Penyebaran berita hoaks melalui media digital semakin cepat dan berpotensi menimbulkan kesalahpahaman di masyarakat. Penelitian ini bertujuan menerapkan model Transformer IndoBERT yang di-fine-tune untuk mengklasifikasikan berita hoaks dan non-hoaks berbahasa Indonesia pada kategori politik, kesehatan, dan ekonomi, serta memberikan penjelasan hasil klasifikasi menggunakan Explainable Artificial Intelligence (XAI).
Dataset awal sebanyak 23.825 data diperoleh dari beberapa portal berita daring dan situs pemeriksa fakta. Setelah pra-pemrosesan, diperoleh 22.208 data yang dibagi dengan stratified sampling menjadi 70% training, 15% validation, dan 15% testing. Model IndoBERT Base di-fine-tune untuk klasifikasi biner dan dievaluasi menggunakan accuracy, precision, recall, F1-score, dan ROC-AUC. Hasil pengujian memperoleh accuracy, precision, recall, dan F1-score sebesar 98,98% serta ROC-AUC sebesar 99,88%. Accuracy berdasarkan kategori yaitu 98,65% politik, 99,47% kesehatan, dan 99,31% ekonomi.
Model kemudian diimplementasikan dalam aplikasi Streamlit dengan input teks, gambar melalui Optical Character Recognition (OCR), dan tautan artikel berita. Interpretasi dilakukan menggunakan Attention Visualization, SHAP, dan LIME. Temperature Scaling dengan nilai 1,6 menurunkan Expected Calibration Error (ECE) dari 0,0051 menjadi 0,0019 tanpa mengubah accuracy validasi sebesar 99,37%. Hasil penelitian menunjukkan bahwa IndoBERT mampu mengklasifikasikan berita hoaks berbahasa Indonesia dengan kinerja tinggi dan konsisten serta mendukung berbagai metode input dan interpretasi hasil prediksi.