Analisis Komparasi Klasifikasi Sentimen Pada Crime Indicated Opinion Cyberbullying Di Twitter Menggunakan Metode SVM Dan Naïve Bayes

Authors

Atika Soraya Universitas Sriwijaya
Abdiansah Abdiansah Universitas Sriwijaya
Ermatita Ermatita Universitas Sriwijaya

DOI:

https://doi.org/10.31539/intecoms.v8i2.14111

Abstract

Cyberbullying merupakan salah satu tindakan yang melanggar UU ITE dimana kejahatan ini dilakukan di media sosial salah satunya aplikasi Twitter. Tindakan ini sulit terdeteksi jika tidak ada yang mereport tweet tersebut. Identifikasi tweet Cyberbullying bertujuan untuk mengklasifikasikan tweet yang mengandung konten bullying. Klasifikasi dilakukan dengan menggunakan metode Support Vector Machine dan Naïve Bayes dimana metode tersebut bertujuan untuk mencari perbandingan nilai akurasi dari setiap metode. Proses sistem dimulai dari text preprocessing dengan tahapan case folding, tokenisasi, stopword removal, stemming dan pembobotan. Proses selanjutnya melakukan klasifikasi berdasarkan pelabelan data bullying dan non bullying bertujuan mempermudah proses pencarian nilai akurasi klasifikasi dataset dengan metode Support Vector Machine dan naïve bayes. Hasil yang didapat dengan menggunakan metode Support Vector Machine sebesar 82.,29% lebih baik dari metode Naïve Bayes denga hasil sebesar 80,84%.

Keywords: Naïve Bayes, Support Vector Machine, Cyberbullying, Bullying, Klasifikasi

References

A. Chazawi and A. Ferdian, Tindak Pidana Informasi & Transaksi Elektronik Penyerangan Terhadap Kepentingan Hukum Pemanfaatan Teknologi Informasi dan Transaksi Elektronik, 364.099 Ch. Malang: Media Nusa Creative, 2015.

Semiocast, “Twitter reaches half a billion accounts. More than 140 million in the U.S.,” de Semiocast, 2012.

M. J. Soler, F. Cuartero, and M. Roblizo, “Twitter As A Tool For Predicting Elections Results,” Proc. 2012 IEEE/ACM Int. Conf. Adv. Soc. Networks Anal. Mining, ASONAM 2012, pp. 1194–1200, 2012.

M. Badri, “Komunikasi Pemasaran UMKM Di Era Media Sosial. Corporate and Marketing Communication,” no. January, p. Jakarta : Pusat Studi Komunikasi dan Bisnis Progra, 2011.

H. Saif, Y. He, and H. Alani, “Semantic Sentiment Analysis of Twitter BT - The Semantic Web – ISWC 2012,” 2012, pp. 508–524.

B. Pang, L. Lee, and S. Vaithyanathan, “Techniques, Thumbs up? Sentiment Classification using Machine Learning,” Proc. Conf. Empir. Methods Nat. Lang. Process., vol. 31, no. 9, pp. 481–482, 2002.

B. Pang and L. Lee, “Opinion Mining And Sentiment Analysis,” World J. Gastroenterol., vol. 2, no. 1–2, pp. 1–135, 2008.

G. Balakrishnan, P. Priyanthan, R. Thiruchittampalam, N. Prasath, and A. Perera, “Opinion mining and sentiment analysis on a Twitter data stream,” in International Conference on Advances in ICT for Emerging Regions, ICTer 2012 - Conference Proceedings, 2012, pp. 182–188.

A. Ortigosa, J. M. Martín, and R. M. Carro, “Sentiment analysis in Facebook and its application to e-learning,” Comput. Human Behav., vol. 31, pp. 527–541, 2014.

S. Hanggara, T. Akhriza, and M. Husni, “Aplikasi Web untuk Analisis Sentimen pada Opini Produk dengan Metode Naive Bayes Classifier,” 2017.

S. Ravikumar, M. Fredimoses, and R. Gokulakrishnan, “Biodiversity of actinomycetes in Manakkudi mangrove ecosystem, Southwest coast of India,” Ann. Biol. Res., vol. 2, no. 1, pp. 76–82, 2011.

G. S. Solakidis, K. N. Vavliakis, and P. A. Mitkas, “Multilingual Sentiment Analysis Using Emoticons and Keywords,” 2014 IEEE/WIC/ACM Int. Jt. Conf. Web Intell. Intell. Agent Technol., vol. 2, pp. 102–109, 2014

V. Kharde and S. Sonawane, “Sentiment Analysis of Twitter Data: A Survey of Techniques,” Int. J. Comput. Appl., vol. 139, pp. 5–15, 2016,

B. Gupta, M. Negi, K. Vishwakarma, G. Rawat, and P. Badhani, “Study of Twitter Sentiment Analysis using Machine Learning Algorithms on Python,” Int. J. Comput. Appl., vol. 165, pp. 29–34, 2017.

C. Brogan, Social Media 101: Tactics and Tips to Develop Your Business Online, 1st ed. United Stated: Wiley. Retrieved From John Wiley & Son, 2010.