Jurnal Teknik Informatika dan Sistem Informasi ISSN 2407-4322 Vol. 9, No. 4, Desember 2022, Hal. 3319-3331 E- ISSN 2503-2933 3319 Received, 2012; Accepted July 10 th , 201 http://jurnal. mdp.ac.id jatisi@mdp.ac.id Model Klasifikasi Berita Palsu Menggunakan Bidirectional LSTM Dan Word2Vec Sebagai Vektorisasi Junita Amalia* 1 , Juanda Pakpahan 2 , Melani Pakpahan 3 , Yeni Panjaitan 4 1,2,3,4 Fakultas Informatika dan Teknik Elektro, Institut Teknologi Del, Laguboti e-mail: * 1 junitaamalia92@gmail.com, 2 jujupapa06@gmail.com, 3 pakpahanmelani5@gmail.com, 4 yenipanjaitan0801@gmail.com Abstrak Secara umum, klasifikasi didefinisikan sebagai metode pembelajaran yang mengklasifikasikan data ke dalam label kelas. Proses klasifikasi tersebut dapat dilakukan pada data structured dan unstructured berdasarkan training data yang telah dilakukan. Penelitian ini melakukan klasifikasi menggunakan data berita yang memiliki label berita fakta dan berita palsu. Proses klasifikasi berita tersebut menggunakan teknik Bidirectional LSTM dan menggunakan arsitektur CBOW pada Word2vec sebagai vektorisasi kata dalam membangun model klasifikasi berita. Ada tiga parameter utama yang digunakan dalam penelitian tugas akhir yaitu embedding size, windows size, dan units bilstm. Optimasi kinerja model akan dilihat dari pengaruh dari ketiga parameter tersebut. Performa model yang dibangun diukur dengan menggunakan metrik evaluasi accuracy, recall, precision, f1- score dan computational time. Hasil penelitian menunjukan bahwa model dengan windows size 3, embedding size 200, dan units 128 memiliki performa terbaik untuk data judul dengan akurasi 79.18%. Sementara untuk data konten model dengan windows size 5, embedding size 300, dan units 256 memiliki performa terbaik dengan akurasi 92.8%. Kata kunci: Bidirectional Long Short-Term Memory, Continuous Bag of Word (CBOW), Embedding Size, Windows Size. Abstract In general, classification is defined as a learning method that classifies data into class labels. It can be perfomed on both structured and unstructured data, based on the data training that has been done. This research leverages Bidirectional LSTM technology in order to develop a news classification model using the CBOW architectures using Word2vec as a word vector. In this research, three main parameters are used: embedding size, window size, and units bilstm. The effects of these three parameters will show optimization of model performance. The results of the constructed model are measured using the accuracy, recall, precision, f1-score and computational time metrics. The findings revealed the greatest performance for title data was for the model with windows size 3, embedding size 200 and unit 128 with 79,18% accuracy. Meanwhile, the data content model has the best performance, on windows size 5, embedding size 300 and units 256 with 92,80% accuracy. Keywords: Bidirectional Long Short-Term Memory, Continuous Bag of Word (CBOW), Embedding Size, Windows Size.