ESTD PERPUSTAKAAN UNTAD
ESTD PERPUSTAKAAN UNTAD
| JudulIMPLEMENTASI MODEL HYBRID CNN-LSTM DALAM MENDETEKSI BERITA PALSU BERBASIS WEB MENGGUNAKAN FRAMEWORK FLASK |
| Nama: ANDI NURHALIZAH |
| Tahun: 2025 |
| Abstrak ABSTRAK ANDI NURHALIZAH dengan Judul Implementasi Model Hybrid CNN-LSTM Dalam Mendeteksi Berita Palsu Berbasis Web Menggunakan Framework Flask dibimbing oleh Rizka Ardiansyah, S.Kom., M.Kom. Perkembangan teknologi informasi telah memberikan kemudahan dalam penyebaran informasi, namun juga meningkatkan penyebaran berita palsu (fake news) yang dapat menyesatkan masyarakat. Penelitian ini bertujuan mengembangkan sistem deteksi berita palsu berbasis web dengan mengimplementasikan model hybrid Convolutional Neural Network (CNN) dan Long Short-Term Memory (LSTM) dalam framework Flask. Dataset yang digunakan berasal dari Kaggle. Proses preprocessing mencakup cleaning, case folding, tokenizing, stopword removal, dan stemming. Model dilatih menggunakan word embedding GloVe dan dievaluasi berdasarkan akurasi, presisi, recall, dan F1-score. Hasil menunjukkan bahwa model CNN-LSTM mampu mengklasifikasikan berita dengan akurasi tinggi. Sistem ini memungkinkan pengguna untuk mendeteksi berita palsu melalui input teks langsung maupun URL dengan metode scraping. Diharapkan sistem ini dapat menjadi solusi praktis dalam meningkatkan literasi digital dan membantu masyarakat dalam mengenali informasi yang valid. Kata Kunci: Berita Palsu, CNN, LSTM, Flask, Deep Learning, Web Scraping ABSTRACT ANDI NURHALIZAH, with the title Implementation of a Hybrid CNN-LSTM Model for Detecting Fake News on the Web Using the Flask Framework, supervised by Rizka Ardiansyah, S.Kom., M.Kom. The advancement of information technology has facilitated the dissemination of information but also led to a rise in the spread of fake news, which can mislead the public. This study aims to develop a web-based fake news detection system by implementing a hybrid model of Convolutional Neural Network (CNN) and Long Short-Term Memory (LSTM) within the Flask framework. The dataset used was sourced from Kaggle. The preprocessing steps included cleaning, case folding, tokenizing, stopword removal, and stemming. The model was trained using GloVe word embeddings and evaluated using accuracy, precision, recall, and F1-score metrics. The results show that the CNN-LSTM model can classify news with high accuracy. The system allows users to detect fake news through direct text input or URLs using web scraping. This system is expected to provide a practical solution to enhance digital literacy and assist the public in identifying valid information. Keywords: Fake News, CNN, LSTM, Flask, Deep Learning, Web Scraping |