PENERAPAN BIDIRECTIONAL LONG SHORT-TERM MEMORY (BiLSTM) DAN FASTTEXT EMBEDDING DALAM KLASIFIKASI BERITA HOAKS BERBAHASA INDONESIA

Penyebaran berita hoaks di Indonesia semakin mengkhawatirkan seiring dengan
pertumbuhan pengguna internet yang pesat, berdampak pada kerusakan kepercayaan
publik, konflik sosial, dan disinformasi. Data Kementerian Komunikasi dan Informatika
(2023-2025) menunjukkan peningkatan temuan isu hoaks dari 1.528 (2022) menjadi
1.923 (2024), menegaskan urgensi pengembangan sistem deteksi otomatis berbasis
kecerdasan buatan sebagai gate-keeper informasi. Penelitian ini mengusulkan solusi
klasifikasi hoaks berbahasa Indonesia dengan memadukan Bidirectional Long Short�Term Memory (BiLSTM) dan word embedding FastText untuk mengatasi tantangan
linguistik unik seperti variasi morfologi, kata tidak baku, serta singkatan informal.
BiLSTM dipilih karena kemampuannya menangkap konteks sintaksis dan semantik dua
arah, mengatasi kelemahan LSTM konvensional yang hanya memproses informasi
searah. Sementara itu, FastText digunakan untuk merepresentasikan kata melalui
subword n-gram, efektif mengatasi masalah Out-of-Vocabulary (OOV) dan variasi
imbuhan khas bahasa Indonesia. Kombinasi kedua metode ini diharapkan menghasilkan
sistem yang lebih adaptif dan akurat dibandingkan pendekatan sebelumnya. Hasil
pengembangan sistem diuji menggunakan dataset berita hoaks berbahasa Indonesia,
dengan evaluasi metrik akurasi, presisi, recall, dan F1-score. Hasil pengujian
menunjukkan bahwa model mencapai akurasi 99,80%, loss sebesar 0,016, serta nilai
precision, recall, dan F1-score sebesar 1.00. Evaluasi juga menggunakan confusion
matrix, ROC curve, dan calibration curve yang menunjukkan performa model sangat baik
dan seimbang. Implementasi ini tidak hanya berkontribusi pada literasi deteksi hoaks
secara komputasional, tetapi juga menjadi acuan dalam menghadapi kompleksitas
linguistik bahasa Indonesia di era transformasi digital.
Kata kunci: Deteksi Hoaks, NLP, Deep Learning, BiLSTM, FastText