KLASIFIKASI TEKS BERBAHASA INDONESIA MENGGUNAKAN WORD2VEC DAN K-NEAREST NEIGHBOR UNTUK IDENTIFIKASI BERITA HOAX

Perkembangan teknologi informasi yang pesat telah memberikan dampak signifikan dalam penyebaran informasi, terutama melalui media sosial. Namun, kemudahan ini juga membawa tantangan berupa maraknya penyebaran berita palsu atau hoax yang dapat memengaruhi persepsi publik dan mengganggu stabilitas sosial. Penelitian ini bertujuan untuk mengembangkan sistem klasifikasi teks berbahasa Indonesia guna mengidentifikasi berita hoax dengan menggunakan metode Word2Vec sebagai teknik representasi kata dan algoritma K-Nearest Neighbor (KNN) sebagai metode klasifikasinya. Word2Vec digunakan untuk mengubah teks menjadi vektor numerik yang merepresentasikan makna semantik kata, sehingga dapat digunakan dalam proses klasifikasi. Sementara itu, algoritma KNN digunakan untuk mengklasifikasikan teks ke dalam kategori hoax atau non hoax berdasarkan kemiripan fitur. Dataset yang digunakan terdiri dari 600 berita berbahasa Indonesia yang diambil dari situs turnbackhoax.id dan detik.comyang dibagi menjadi 500hoax dan 100 non hoax. Hasil evaluasi menunjukkan bahwa kombinasi Word2Vec dan KNN mampu memberikan performa klasifikasi yang cukup baik, dengan tingkat akurasi mencapai 76.92% modek knn. Penelitian ini menunjukkan bahwa pendekatan Word2Vec dan KNN efektif untuk tugas identifikasi berita hoax, serta berpotensi dikembangkan lebih lanjut dalam sistem pendeteksi berita palsu berbasis aplikasi. Temuan ini diharapkan dapat berkontribusi terhadap upaya peningkatan literasi digital dan pemberdayaan masyarakat dalam menghadapi informasi yang menyesatkan di era digital.