SUPPORT VECTOR MACHINE UNTUK IDENTIFIKASI BERITA HOAX TERKAIT VIRUS CORONA (COVID-19)

Rani Kurnia Putri; Muhammad Athoillah

doi:10.30591/jpit.v6i3.2489

SUPPORT VECTOR MACHINE UNTUK IDENTIFIKASI BERITA HOAX TERKAIT VIRUS CORONA (COVID-19)

Rani Kurnia Putri, Muhammad Athoillah

Abstract

Covid-19 atau biasa disebut Virus Corona, merupakan virus hasil dari evolusi virus sejenis yaitu MERS-Cov dan SARS-CoV yang pertama kali diketahui muncul di kota Wuhan, salah satu kota metropolitan terbesar di Cina pada 31 Desember 2019 dan telah memakan jutaan korban selama tahun 2020. Disepanjang tahun tersebut tentunya Covid-19 menjadi bahasan utama di berbagai media berita, baik di Indonesia maupun dunia. Ironisnya, dengan banyaknya berita yang beredar, tidak sedikit berita yang muncul adalah berita hoax atau berita tidak dapat dipertanggungjawabkan kebenarannya. Identifikasi berita hoax di dunia maya sebenarnya telah dilakukan oleh komunitas internet dan dipublikasikan pada laman turnbackhoax.id. Hanya saja, metode identifikasi yang dilakukan pada laman tersebut masih dilakukan secara manual, sehingga jika informasi semakin berkembang dan banyak, tentunya akan semakin sulit dan merepotkan. Identifikasi berita hoax secara otomatis dapat dikategorikan ke dalam masalah klasifikasi yang tentunya dapat di selesaikan dengan berbagai macam algoritma, diantanya Support Vector Machine (SVM). Algoritma SVM mendefinisikan terlebih dahulu batas antar kelas dengan jarak optimal yang didapat dari data terdekat dengan cara mengukur margin hyperplane antar kelas sehingga pemisahan kelas yang dihasilkan menjadi lebih baik. Pada penilitian ini telah dibangun sebuah sistem otomatis yang dapat mengidentifikasi berita yang termasuk dalam kategori hoax atau tidak dengan memanfaatkan algoritma SVM yang selanjutnya proses validasinya dilakukan dengan metode k-fold cross validation. Hasil penelitian memperlihatkan bahwa sistem yang dibangun mampu mengidentifikasi berita dengan baik, dibuktikan dengan rata-rata nilai Presisi, Recall dan F-Measure secara berturut adalah 78,96%, 78,18% dan 78,02%.

Keywords

Berita Hoax; Virus Corona; Klasifikasi; Suport Vector Machine; Text Mining.

Full Text:

References

P. K. S. Chan and M. C. W. Chan, “Tracing the SARS-coronavirus,” J. Thorac. Dis., vol. 5 Suppl 2, no. Suppl 2, pp. S118–S121, Aug. 2013, doi: 10.3978/j.issn.2072-1439.2013.06.19.

M. Cascella, M. Rajnik, A. Cuomo, S. C. Dulebohn, and R. Di Napoli, “Features, evaluation and treatment coronavirus (COVID-19),” in StatPearls [Internet], StatPearls Publishing, 2020.

WHO, “Coronavirus.” https://www.who.int/emergencies/diseases/novel-coronavirus-2019 (accessed Jan. 26, 2021).

Kemendikbud, “hoaks @ kbbi.kemdikbud.go.id.” https://kbbi.kemdikbud.go.id/entri/hoaks (accessed Jan. 19, 2021).

R. Pakpahan, “Analisis Fenomena Hoax Diberbagai Media Sosial Dan Cara Menanggulangi Hoax,” Konf. Nas. Ilmu Sos. dan Teknol., vol. 1, no. 1, 2017.

H. Septanto, “Pengaruh hoax dan ujaran kebencian sebuah cyber crime dengan teknologi sederhana di kehidupan sosial masyarakat,” J. Kalbiscientia J. Sains dan Teknol., vol. 5, no. 2, pp. 157–162, 2018.

N. P. S. Meinarni and I. B. A. I. Iswara, “Hoax and its Mechanism in Indonesia,” 2018.

C. C. Aggarwal and C. Zhai, Mining text data. Springer Science & Business Media, 2012.

S. M.Weiss, N. Indurkhya, and T. Zhang, Texts in Computer Science - Fundamentals of Predictive Text Mining. 2010.

B. Richhariya, M. Tanveer, A. H. Rashid, and A. D. N. Initiative, “Diagnosis of Alzheimer’s disease using universum support vector machine based recursive feature elimination (USVM-RFE),” Biomed. Signal Process. Control, vol. 59, p. 101903, 2020.

A. B. Alhamda, “PERBANDINGAN ALGORITMA SUPPORT VECTOR MACHINE DAN NAIVE BAYES CLASSIFIER PADA KLASIFIKASI TEKS CYBERBULLYING DI KOMENTAR PENGGUNA INSTAGRAM.” Institut Telkom Purwokerto, 2019.

G. A. Buntoro, “Analisis Sentimen Hatespeech Pada Twitter Dengan Metode Naive Bayes Classifier Dan Support Vector Machine,” J. Din. Inform., vol. 5, no. 2, 2016.

A. N. Hidayat, “Analisis Sentimen Terhadap Wacana Politik Pada Media Masa Online Menggunakan Algoritma Support Vector Machine Dan Naive Bayes,” J. Elektron. Sist. Inf. dan Komput., vol. 1, no. 1, pp. 12–18, 2015.

M. Athoillah, “Pengenalan Wajah Menggunakan SVM Multi Kernel dengan Pembelajaran yang Bertambah,” J. Online Inform., vol. 2, no. 2, p. 84, 2018, doi: 10.15575/join.v2i2.109.

C. C. Aggarwal and C. X. Zhai, Mining text data, vol. 9781461432. 2013.

Y. Li and H. Ye, “An Analysis and Research of Type-2 Diabetes TCM Records Based On Text Mining,” in 2018 IEEE International Conference on Bioinformatics and Biomedicine (BIBM), 2018, pp. 1872–1875, doi: 10.1109/BIBM.2018.8621283.

P. Beyranvand and T. Aytekin, “Automating Customer Claim Registration by Text Mining,” in 2020 Innovations in Intelligent Systems and Applications Conference (ASYU), 2020, pp. 1–5, doi: 10.1109/ASYU50717.2020.9259889.

A. de Lima, A. Argenta, I. Zattar, and M. Kleina, “Applying Text Mining to Identify Photovoltaic Technologies,” IEEE Lat. Am. Trans., vol. 17, no. 05, pp. 727–733, 2019, doi: 10.1109/TLA.2019.8891940.

N. Rajvanshi and K. R. Chowdhary, “Comparison of SVM and Naïve Bayes Text Classification Algorithms using WEKA,” Int. J. Eng. Res., vol. 6, p. 9, 2017.

Z. Wang and Z. Qu, “Research on Web text classification algorithm based on improved CNN and SVM,” in 2017 IEEE 17th International Conference on Communication Technology (ICCT), 2017, pp. 1958–1961, doi: 10.1109/ICCT.2017.8359971.

Y. Chen and Z. Zhang, “Research on text sentiment analysis based on CNNs and SVM,” in 2018 13th IEEE Conference on Industrial Electronics and Applications (ICIEA), 2018, pp. 2731–2734, doi: 10.1109/ICIEA.2018.8398173.

S. E. Nugroho, “Upaya masyarakat anti fitnah indonesia mengembalikan jatidiri bangsa dengan gerakan anti hoax,” Pros. Konf. Nas. peneliti muda Psikol. Indones., vol. 2, no. 1, pp. 1–4, 2017.

D. Suyanto, “Data Mining untuk klasifikasi dan klasterisasi data,” Bandung Inform. Bandung, 2017.

M. Javed and S. Kamal, “Normalization of unstructured and informal text in sentiment analysis,” Int. J. Adv. Comput. Sci. Appl., vol. 9, no. 10, pp. 78–85, 2018, doi: 10.14569/IJACSA.2018.091011.

S. Shalev-Shwartz and S. Ben-David, Understanding machine learning: From theory to algorithms. Cambridge university press, 2014.

R. Melita, V. Amrizal, H. B. Suseno, and T. Dirjam, “Penerapan Metode Term Frequency Inverse Document Frequency (Tf-Idf) Dan Cosine Similarity Pada Sistem Temu Kembali Informasi Untuk Mengetahui Syarah Hadits Berbasis Web (Studi Kasus: Syarah Umdatil Ahkam),” J. Tek. Inform., vol. 11, no. 2, pp. 149–164, 2018.

M. Mohri, A. Rostamizadeh, and A. Talwalkar, Foundations of machine learning. MIT press, 2018.

B. P. Tomasouw and M. I. Irawan, “MULTICLASS TWIN BOUNDED SUPPORT VECTOR MACHINE UNTUK PENGENALAN SUARA,” 2012.

B. Scholkopf and A. J. Smola, Learning with kernels: support vector machines, regularization, optimization, and beyond. Adaptive Computation and Machine Learning series, 2018.

P. Mishra and P. Lotia, “Comparative performance analysis of SVM speaker verification system using confusion matrix,” Int. J. Sci. Res.(IJSR), vol. 3, p. 12, 2014.

DOI: https://doi.org/10.30591/jpit.v6i3.2489