Penyebaran hoaks di media digital menjadi tantangan besar bagi sistem deteksi otomatis seiring bahasa dan topik yang terus berkembang dari waktu ke waktu. Meskipun model berbasis Transformer seperti IndoBERT telah menunjukkan akurasi tinggi dalam studi-studi sebelumnya, kinerjanya across different time periods masih belum banyak diteliti. Penelitian ini mengkaji kemampuan generalisasi lintas waktu IndoBERT untuk klasifikasi berita hoaks. Model dilatih menggunakan artikel berlabel dari tahun 2018–2023 dan diuji dengan data tahun 2025 untuk mengevaluasi ketangguhannya terhadap pergeseran distribusi temporal. Hasil penelitian menunjukkan akurasi tinggi pada data periode sezaman (99,67–99,89%) namun penurunan pada data tahun 2025 (95,45–95,87%), dengan sebagian besar kesalahan terjadi sebagai false negatif pada kelas hoaks. Temuan ini menyoroti dampak pergeseran distribusi temporal terhadap keandalan model dan menegaskan pentingnya strategi adaptif seperti pelatihan ulang berkala dan augmentasi data berbasis domain. Secara praktis, model ini berpotensi membantu platform media sosial dan lembaga pemerintah dalam mengembangkan sistem deteksi hoaks yang dinamis dan adaptif terhadap waktu.  Pendekatan lintas waktu yang digunakan dalam penelitian ini juga menawarkan inovasi metodologis dibandingkan validasi acak konvensional, karena lebih merepresentasikan kondisi dunia nyata dimana pola misinformasi terus berevolusi.