Implementasi Model Deep Learning IndoBERT dengan Antarmuka Aplikasi Mobile untuk Deteksi Berita Hoaks Berbahasa Indonesia

Abstract

Penyebaran berita hoaks di internet semakin meningkat dan berpotensi menimbulkan kesalahpahaman serta keresahan dalam masyarakat. Salah satu tantangan yang dihadapi adalah sulitnya membedakan informasi yang valid dan yang menyesatkan, karena banyak hoaks dibuat dengan tampilan yang menyerupai berita resmi. Penelitian ini bertujuan menerapkan model deep learning IndoBERT untuk mendeteksi berita hoaks berbahasa Indonesia sekaligus mengintegrasikannya ke dalam prototipe aplikasi mobile agar dapat diuji secara praktis. Pendekatan yang digunakan meliputi eksperimen melalui tahapan pengumpulan data, pra-pemrosesan teks, pelatihan model, serta evaluasi kinerja menggunakan metrik akurasi, presisi, recall, dan F1-score. Dataset penelitian berasal dari kumpulan berita daring yang telah diberikan label hoaks dan nonhoaks. Hasil evaluasi menunjukkan bahwa model IndoBERT mampu mencapai akurasi 99% dengan nilai Area Under The Curve (AUC) sebesar 0,999, sehingga terbukti efektif untuk tugas klasifikasi teks. Model terlatih kemudian dihubungkan dengan backend Flask dan diuji melalui antarmuka Flutter, yang memungkinkan pengguna memasukkan teks berita dan memperoleh hasil klasifikasi secara langsung. Berdasarkan hasil tersebut, sistem ini berpotensi menjadi alat bantu verifikasi informasi yang cepat dan akurat dalam upaya menekan penyebaran hoaks di masyarakat.