Implementasi Metode Stochastic Gradient Descent Untuk Optimasi Waktu Training Pada Klasifikasi Berita Hoax Menggunakan Support Vector Machine

Permasalahan yang terjadi adalah penyebaran berita hoaks melalui media digital yang memberikan dampak negatif seperti kepanikan, ketakutan, dan disinformasi di masyarakat. Untuk mengatasi permasalahan tersebut, dibutuhkan sistem klasifikasi teks otomatis yang mampu membedakan antara berita hoaks dan non-hoaks secara akurat dan efisien. Penelitian ini bertujuan untuk mengetahui tingkat akurasi algoritma Support Vector Machine (SVM) dalam mengklasifikas berita hoaks, serta mengoptimalkan waktu training-nya menggunakan metode Stochastic Gradient Descent (SGD). Data diperoleh melalui penelitian pustaka dan data yang digunakan dalam penelitian ini diperoleh dari situs detik.com dan liputan6.com untuk berita hoaks, serta kompas.com untuk berita non-hoaks. Metode yang digunakan dalam penelitian ini adalah algoritma klasifikasi SVM dan optimasi training dengan metode SGD. Hasil penelitian menunjukkan bahwa akurasi SVM mencapai 93%, sedangkan SGD-SVM mencapai 94%, dengan waktu training berkurang dari 52,02 detik menjadi 7,05 detik atau setara dengan pengurangan sebesar 86,45%. Penelitian ini membuktikan bahwa metode SGD mampu mengoptimalkan waktu training algoritma SVM dalam klasifikasi berita hoaks tanpa mengorbankan akurasi.