Perkembangan pesat media sosial membuat informasi dapat menyebar secara instan, namun sekaligus mempermudah peredaran berita palsu (hoaks) yang dapat menyesatkan public dan memengaruhi pengambilan keputusan masyarakat dalam skala luas. Tingginya paparan hoaks serta keberagaman topik dan gaya penulisan di berbagai platform digital menimbulkan kebutuhan mendesak akan sistem deteksi otomatis yang akurat dan adaptif lintas domain. Proyek akhir ini mengajukan pendekatan deteksi berita palsu berbasis model BERT (Bidirectional Encoder Representations from Transformers) yang memanfaatkan kekuatan pemahaman konteks dua arah dan teknik fine-tuning untuk meningkatkan kemampuan generalisasi pada berbagai topik berita, sekaligus menguji strategi transfer learning melalui TAPT (Task-Adaptive Pre-training) menggunakan beberapa dataset berita palsu yang berbeda domain. Data yang digunakan berupa judul berita berbahasa Inggris dengan label biner fake/real yang dibagi menjadi beberapa dataset (primary, secondary) untuk mensimulasikan pergeseran domain dan perbedaan kosa kata antarkorpus. Evaluasi dilakukan menggunakan metrik precision, recall, dan F1-score pada data uji yang terpisah untuk setiap skenario eksperimen. Hasil pengujian menunjukkan bahwa model BERT dengan strategi full fine-tuning memberikan performa hampir sempurna dengan F1-score weighted-F1 sebesar 99% pada dataset utama (ISOT). Lebih lanjut, penerapan transfer learning bertingkat melalui continuation training pada dataset kedua (WELFake) secara signifikan meningkatkan F1-score dari 13,77% menjadi 95,35% untuk BERT, dari 18,56% menjadi 95,52% untuk RoBERTa, dan dari 19,32% menjadi 96,89% untuk DeBERTa, sekaligus menunjukkan bahwa ketiga model dapat beradaptasi terhadap domain baru melalui domain shift. Temuan ini mengonfirmasi bahwa kombinasi BERT, fine‑tuning penuh, dan strategi transfer learning adaptif merupakan salah satu pendekatan yang sangat menjanjikan untuk deteksi berita palsu lintas domain pada skala besar.