%0 Thesis
%9 Undergraduate
%A Azis, Mochamad Abdul
%B KODEPRODI57201#Sistem Informasi
%D 2026
%F unpkediri:23402
%I Universitas Nusantara PGRI Kediri
%K Deteksi Hoaks, IndoBERT, Sliding Window, Mean Aggregation, Long Text Classification
%P 66
%T MENGATASI KETERBATASAN KONTEKS TEKS PANJANG PADA DETEKSI HOAKS MENGGUNAKAN INDOBERT DENGAN PENDEKATAN SLIDING WINDOW
%U http://repository.unpkediri.ac.id/23402/
%X Penyebaran berita hoaks di media digital semakin meningkat seiring bertambahnya penggunaan platform berita dan media sosial sebagai sumber informasi utama masyarakat. Deteksi otomatis terhadap berita hoaks menjadi tantangan penting, terutama pada dokumen berita panjang yang melebihi batas maksimum token model Transformer seperti IndoBERT. Pendekatan truncation yang umum digunakan berpotensi menyebabkan hilangnya informasi penting pada bagian akhir dokumen sehingga dapat mempengaruhi kualitas klasifikasi model. Penelitian ini bertujuan untuk menganalisis efektivitas pendekatan sliding window dalam mengatasi keterbatasan panjang token pada deteksi berita hoaks berbahasa Indonesia menggunakan IndoBERT. Penelitian dilakukan menggunakan metodologi CRISP-DM dengan tahapan business understanding, data understanding, data preparation, modeling, evaluation, dan deployment. Eksperimen dilakukan menggunakan empat skenario utama, yaitu truncation dan sliding window yang masing-masing dikombinasikan dengan full fine-tuning dan partial fine-tuning. Pada pendekatan sliding window, hasil prediksi antar segmen teks digabungkan menggunakan metode mean aggregation. Hasil penelitian menunjukkan bahwa pendekatan sliding window dengan full fine-tuning menjadi konfigurasi terbaik, khususnya pada dokumen dengan panjang melebihi 512 token. Pada pengujian dokumen panjang, model memperoleh nilai akurasi sebesar 0,9897, precision sebesar 1,0000, recall sebesar 0,9697, dan F1-score sebesar 0,9846. Hasil tersebut menunjukkan bahwa pendekatan sliding window mampu mempertahankan konteks informasi lebih baik dibandingkan truncation. Selain itu, model berhasil diimplementasikan ke dalam sistem berbasis FastAPI dan Telegram Bot untuk melakukan prediksi berita secara daring. Penelitian ini menyimpulkan bahwa kombinasi IndoBERT, sliding window, dan mean aggregation efektif digunakan untuk deteksi berita hoaks pada teks panjang berbahasa Indonesia. Namun, penelitian ini masih memiliki keterbatasan pada penggunaan IndoBERT dengan batas token tetap serta metode agregasi yang masih sederhana. Penelitian selanjutnya disarankan untuk mengeksplorasi model Transformer khusus dokumen panjang seperti Longformer atau BigBird, serta mengembangkan metode agregasi dan sistem verifikasi fakta yang lebih adaptif dan kontekstual.