ANALISIS SENTIMEN CYBERBULLYING PADA KOMENTAR INSTAGRAM MENGGUNAKAN NAIVE BAYES DAN SUPPORT VECTOR MACHINE

Riadi, Selamet (2024) ANALISIS SENTIMEN CYBERBULLYING PADA KOMENTAR INSTAGRAM MENGGUNAKAN NAIVE BAYES DAN SUPPORT VECTOR MACHINE. S2 - Magister thesis, Universitas AMIKOM Yogyakarta.

Text (THESIS)
21.52.2120 Selamet Riadi.pdf
Download (5MB)

Abstract

Dalam beberapa dekade terakhir, internet telah menjadi bagian yang tidak dapat dipisahkan dari kehidupan manusia, menyediakan kemudahan akses dan kemudahan lainnya. Salah satu platform internet yang digunakan secara luas oleh masyarakat terutama di Indonesia adalah media sosial instagram. Meskipun memiliki dampak positif, tidak bisa dipungkiri bahwa ada konsekuensi negatif jika tidak digunakan dengan benar. Salah satu konsekuensi tersebut adalah peningkatan aktivitas perundungan daring di media sosial. Perundungan daring menjadi sorotan utama, hal tersebut mendorong peneliti untuk melakukan penelitian setidaknya menjadi solusi untuk dapat menganalisis cyberbullying, terutama di komentar platform media sosial instagram. Penelitian ini menggunakan analisis sentimen untuk melakukan identifikasi atau klasifikasi komentar cyberbullying khususnya pada komentar instagram, menggunakan teknik pemrosesan bahasa alami dan analisis teks. Penelitian ini membandingkan kinerja algoritma Naive Bayes (Gaussian Naïve Bayes) dan algoritma Support Vector Machine (SVM). Model vektorisasi, khususnya Bag of Words dan TF-IDF, bersama dengan pemilihan fitur (chi-square), digunakan untuk mengoptimalkan akurasi klasifikasi komentar. Hasil eksperimen disajikan dalam 6 skenario. Akurasi tertinggi dicapai pada scenario keenam Gaussian Naïve Bayes dan SVM sama – sama mencapai akurasi sebesar 93.84 %, namun hasil evaluasi kinerja berbeda GNB dengan presisi 100.00 %, recall 88.06 %, dan f1-score 91.33 %. Sementara SVM mendapatkan presisi 95.38 % lebih rendah dengan selisih 04.62 % , untuk recall 92.53 % dengan selisih 04.47 % dan f1-score 93.93 % dengan selisih 02.06 % Terlihat hasil evaluasi kinerja SVM lebih seimbang.

Item Type:

Thesis (S2 - Magister)

Contributor: