<mods:mods version="3.3" xsi:schemaLocation="http://www.loc.gov/mods/v3 http://www.loc.gov/standards/mods/v3/mods-3-3.xsd" xmlns:mods="http://www.loc.gov/mods/v3" xmlns:xsi="http://www.w3.org/2001/XMLSchema-instance"><mods:titleInfo><mods:title>ANALISIS KOMUNIKASI NEGATIF PADA SOSIAL MEDIA X&#13;
BERDASARKAN HATE SPEECH DAN ABUSIVE LANGUAGE&#13;
MENGGUNAKAN ALGORITMA NAIVE BAYES</mods:title></mods:titleInfo><mods:name type="personal"><mods:namePart type="given">Dhani Jamiatul</mods:namePart><mods:namePart type="family">Hikmah</mods:namePart><mods:role><mods:roleTerm type="text">author</mods:roleTerm></mods:role></mods:name><mods:abstract>Perkembangan media sosial telah mendorong perubahan pola komunikasi&#13;
masyarakat, di mana pengguna dapat menyampaikan pendapat secara bebas dan&#13;
terbuka. Namun, kondisi ini juga memicu munculnya komunikasi negatif seperti&#13;
hate speech dan abusive language yang dapat menimbulkan konflik sosial,&#13;
menurunkan kualitas diskusi publik, serta berdampak negatif terhadap lingkungan&#13;
digital. Tingginya volume data pada media sosial X (sebelumnya Twitter)&#13;
menyebabkan proses identifikasi komunikasi negatif secara manual menjadi sulit&#13;
dilakukan. Oleh karena itu, diperlukan suatu pendekatan otomatis yang mampu&#13;
mengidentifikasi dan mengklasifikasikan komunikasi negatif secara efektif dan&#13;
efisien.&#13;
Penelitian ini menggunakan metode kuantitatif dengan pendekatan text&#13;
mining untuk menganalisis komunikasi negatif pada media sosial X. Data yang&#13;
digunakan berupa dataset Indonesian Abusive and Hate Speech Twitter Text yang&#13;
telah dianotasi. Tahapan penelitian meliputi preprocessing data yang terdiri dari&#13;
case folding, tokenizing, stopword removal, dan stemming, kemudian dilanjutkan&#13;
dengan proses klasifikasi menggunakan algoritma Naive Bayes. Data dibagi&#13;
menjadi data training dan data testing untuk membangun dan menguji model.&#13;
Selanjutnya, dilakukan evaluasi model menggunakan confusion matrix dengan&#13;
metrik akurasi, precision, recall, dan F1-score.&#13;
Hasil penelitian menunjukkan bahwa algoritma Naive Bayes mampu&#13;
mengklasifikasikan komunikasi negatif dengan baik berdasarkan kategori hate&#13;
speech dan abusive language. Penelitian ini memberikan kontribusi dalam&#13;
pengembangan analisis komunikasi digital berbasis bahasa Indonesia serta dapat&#13;
dimanfaatkan oleh pengembang sistem, peneliti, dan pihak terkait dalam&#13;
mendeteksi serta mengelola konten negatif di media sosial. Untuk penelitian&#13;
selanjutnya, disarankan menggunakan metode yang lebih kompleks atau&#13;
membandingkan beberapa algoritma guna meningkatkan akurasi model.</mods:abstract><mods:classification authority="lcc">004 Pemrosesan data dan ilmu komputer</mods:classification><mods:originInfo><mods:dateIssued encoding="iso8061">2026-05-25</mods:dateIssued></mods:originInfo><mods:originInfo><mods:publisher>Universitas AMIKOM Yogyakarta;Fakultas Ilmu Komputer</mods:publisher></mods:originInfo><mods:genre>Thesis</mods:genre></mods:mods>