Implementasi Fine-Tuning IndoBERT untuk Deteksi Potensi Berita Hoaks Berbahasa Indonesia

Abstrak

Penyebaran informasi palsu atau hoaks di platform digital Indonesia telah menjadi ancaman serius bagi stabilitas sosial dan literasi masyarakat. Penelitian ini bertujuan untuk merancang dan mengimplementasikan aplikasi berbasis web yang mampu mendeteksi potensi berita hoaks berbahasa Indonesia secara otomatis. Metode yang diusulkan dalam penelitian ini menggunakan pendekatan Natural Language Processing dengan menerapkan teknik fine-tuning pada model pre-trained IndoBERT (IndoBERT Base P1). Model ini dilatih secara khusus menggunakan dataset teks berita berbahasa Indonesia untuk mengklasifikasi dan mengenali pola linguistik dari sebuah disinformasi. Temuan penting dari penelitian ini menunjukkan bahwa model IndoBERT yang di-fine-tuning berhasil diintegrasikan ke dalam arsitektur sistem web dan memberikan performa klasifikasi yang sangat baik dengan tingkat akurasi, presisi, dan F1-score mencapai 98,6%. Sistem juga mampu memproses teks masukan dan menampilkan persentase tingkat keyakinan atau confidence score secara real-time kepada pengguna. Kesimpulan dari penelitian ini adalah penerapan fine-tuning IndoBERT pada aplikasi web terbukti efektif dan dapat diandalkan sebagai alat bantu verifikasi dini. Kehadiran sistem ini diharapkan dapat memfasilitasi pengguna dalam menyaring informasi dan berkontribusi menekan laju penyebaran hoaks di ruang digital Indonesia.