Media sosial memberi banyak manfaat. Di antara manfaat media sosial adalah komunikasi yang lebih cepat dan mudah, promosi merek, dan umpan balik pelanggan. Namun, media sosial juga memiliki beberapa kekurangan, salah satunya yang menonjol adalah berita palsu. Berita palsu merupakan ancaman bagi masyarakat dan telah menjadi perhatian para pengguna dan peneliti media sosial. Selain itu, berita palsu terkait COVID-19 merupakan masalah yang jauh lebih besar karena dapat memengaruhi perilaku seseorang. Pada penelitian sebelumnya yang dilakukan oleh Parth Patwa, klasifikasi berita palsu tentang COVID-19 dilakukan dengan menggunakan beberapa algoritma terutama Support Vector Machine. Namun kekurangan dari penelitian tersebut adalah kompleksitas algoritma dan keseimbangan dataset berita yang digunakan untuk klasifikasi. Penelitian ini bertujuan adalah menggunakan Multinomial Naïve Bayes dan Synthetic Minority Oversampling Technique (SMOTE) untuk klasifikasi berita COVID-19 di jejaring media sosial dan meningkatkan performa klasifikasi berita COVID-19 pada dataset yang tidak seimbang dengan menggunakan Multinomial Naïve Bayes dan SMOTE. Metode yang dilakukan pada penelitian ini yaitu penginputan data, text preprocessing, DF-Thresholding, pipelining, data balancing menggunakan SMOTE, klasifikasi, terakhir evaluasi hasil. Hasil yang dicapai oleh Multinomial Naïve Bayes pada klasifikasi menghasilkan akurasi hingga 91.96% pada validasi dan 91.64% pada pengujian sedangkan Multinomial Naïve Bayes dengan penambahan Synthetic Minority Oversampling Technique (SMOTE) mencapai akurasi 92.10% pada validasi dan 92.01% pada pengujian. Multinomial Naïve Bayes baik melibatkan algoritma upsampling SMOTE maupun tidak, dapat digunakan dalam mengklasifikasikan berita palsu COVID-19 yang beredar di media sosial dalam segi performa berupa nilai akurasi, precision, recall, dan nilai F1 meskipun waktu yang dibutuhkan untuk mencapai hasil dengan melibatkan SMOTE memakan waktu yang lebih banyak.
