PERBANDINGAN KINERJA XGBOOST DAN LIGHTGBM DENGAN HYPERPARAMETER TUNING PADA KLASIFIKASI BERITA HOAX INDONESIA

Penyebaran berita hoax berbahasa Indonesia melalui internet dan media sosial semakin meningkat dan berpotensi menimbulkan kesalahpahaman, kepanikan, hingga perpecahan di masyarakat, sehingga dibutuhkan sistem klasifikasi otomatis yang akurat dan efisien. Penelitian ini bertujuan membandingkan kinerja algoritma XGBoost dan LightGBM dalam mengklasifikasikan berita hoax berbahasa Indonesia, baik pada kondisi parameter default (baseline) maupun setelah dilakukan hyperparameter tuning menggunakan Grid Search. Dataset yang digunakan terdiri atas 31.353 berita berbahasa Indonesia yang diperoleh dari platform Kaggle, dengan proporsi 10.381 berita hoax dan 20.972 berita non-hoax. Metodologi penelitian mengacu pada kerangka kerja CRISP-DM, meliputi tahap cleaning, case folding, tokenizing, stopword removal, dan stemming pada tahap preprocessing, dilanjutkan dengan ekstraksi fitur menggunakan TF-IDF. Validasi model dilakukan menggunakan skema 5-Fold Cross Validation, dengan evaluasi berdasarkan metrik accuracy, precision, recall, dan F1-score. Hasil penelitian menunjukkan bahwa hyperparameter tuning mampu meningkatkan performa kedua algoritma, dengan model XGBoost Tuned dan LightGBM Tuned sama-sama mencapai accuracy sebesar 97,67% dan F1-score sebesar 95,08%. Namun, LightGBM Tuned membutuhkan waktu pelatihan yang jauh lebih efisien (1.385 detik) dibandingkan XGBoost Tuned (5.425 detik), sehingga LightGBM dengan hyperparameter tuning ditetapkan sebagai model yang lebih optimal untuk klasifikasi berita hoax berbahasa Indonesia pada penelitian ini.