Support Vector Machine Untuk Identifikasi Berita Hoax Terkait Virus Corona (Covid-19)

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%.

The Process of Grouping Elementary School Students Receiving PIP Assistance uses the K-Means Algorithm

“…The K-Means algorithm is a data clustering technique that divides data into several groups or clusters based on certain shared criteria. This algorithm divides the data into several clusters, each of which has a centroid as its center [17]. One of the most popular and straightforward clustering methods is K-Means, but it has significant drawbacks, including sensitivity to initial initialization and the requirement to know the number of clusters in advance.…”