Description

TEKNOLOGI YANG DIGUNAKAN

• Python
• Google Collab : Untuk pelatihan model
• Machine Learning Library : Scikit-learn
• Dataset : Real or Fake News (Kaggle)
• Backend : Flask untuk inference Model
• Frontend : React untuk UI

DESKRIPSI PROYEK

Proyek ini bertujuan untuk membangun model machine learning yang dapat mendeteksi berita palsu menggunakan algoritma Random Forest. Dengan meningkatnya jumlah berita palsu di media sosial, sistem ini diharapkan dapat membantu mengidentifikasi berita yang valid dan tidak valid berdasarkan teks artikel. Proyek ini mencakup pengembangan model, inferensi di backend, dan antarmuka pengguna untuk memudahkan interaksi pengguna.

TUJUAN PROYEK

• Klasifikasi Berita: Mengklasifikasikan teks berita menjadi kategori “palsu” atau “asli.”
• Backend Inference Model: Menyediakan endpoint yang menerima input teks dan mengembalikan hasil klasifikasi.
• Frontend: Membuat antarmuka pengguna untuk memudahkan input berita dan melihat hasil prediksi.

LANGKAH-LANGKAH PENGEMBANGAN

• Pengumpulan Dataset

 - Sumber Data : Dataset Real or Fake News dari Kaggle

- Deskripsi Data : Dataset ini terdiri dari berita yang dilabeli “real” atau “fake”, termasuk judul dan isi berita sebagai fitur utama

• Eksplorasi dan Preprocessing Data di Google Collab

• Pemodelan dengan Algoritma Random Forest

• Training dan Evaluasi

• Implementasi Backend dengan Teknik Inference Model

File Flask Backend (apps.py)

Model yang sudah dilatih diintegrasikan ke dalam backend Flask untuk inference. Flask menyediakan endpoint yang menerima input teks dari frontend dan mengembalikan hasil klasifikasi sebagai output.

API Endpoint

Membuat REST API untuk menghubungkan model NLP dengan aplikasi, menerima teks berita sebagai input dan mengirimkan prediksi sebagai output (Berita Palsu/Berita Asli).

Berita Palsu

Berita Asli

• Pengembangan Frontend

UI dibuat menngunakan React sebagai frontedn

File Frontend (App.js)

Tampilan input dan output serta pengujian berita

Berita palsu

Berita Asli

HASIL DAN EVALUASI PROYEK

• Akurasi Model : Model Random Forest menghasilkan akurasi yang baik
• Metrics Performance : Precision dan Recall yang tinggi memastikan efektivitas dalam mendeteksi berita palsu
• Kecepatan Inference : Model yang di deploy pada backend Flask merespon untuk klasifikasi berita

KESIMPULAN

Proyek Deteksi Berita Palsu Menggunakan Algoritma Random Forest ini menunjukkan performa yang andal dalam mengklasifikasikan berita. Model ini berhasil memberikan klasifikasi yang tepat terhadap berita palsu, menunjukkan potensi besar dalam aplikasi anti-hoax atau verifikasi berita