KLASIFIKASI TWEET CYBERBULLYING DENGAN MENGGUNAKAN ALGORITMA SVM DAN XGBOOST
Article Sidebar
Read Counter : 52
Download : 31
Main Article Content
Abstract
Penelitian ini bertujuan untuk melakukan klasifikasi tweet cyberbullying dengan menggunakan dua pendekatan machine learning yaitu algoritma SVM dan XGBoost. Data input yang digunakan untuk analisis merupakan hasil pengambilan data tweet secara acak yang telah dilabelkan, dilakukan ekstraksi fitur dan pelatihan model menggunakan kedua algoritma tersebut. Hasil eksperimen menunjukkan bahwa XGBoost memberikan kinerja yang sedikit lebih unggul dalam mengklasifikasikan tweet cyberbullying dibandingkan SVM. Temuan ini memberikan kontribusi dalam pengembangan metode klasifikasi untuk mendeteksi cyberbullying di media sosial sehingga dapat membantu dalam memitigasi dampak negatif dari cyberbullying. Penelitian ini juga menunjukkan potensi penggunaan algoritma XGBoost dalam konteks deteksi cyberbullying di platform media sosial seperti Twitter.
Article Details
This work is licensed under a Creative Commons Attribution-NonCommercial-ShareAlike 4.0 International License.
This work is licensed under a Jurnal Komunikasi Creative Commons Attribution-ShareAlike 4.0 International License.
References
[1] Vismara, M., Girone, N., Conti, D., Nicolini, G. and Dell’Osso, B., 2022. The current status of Cyberbullying research: A short review of the literature. Current Opinion in Behavioral Sciences, 46, p.101152.
[2] Zhu, C., Huang, S., Evans, R. and Zhang, W., 2021. Cyberbullying among adolescents and children: a comprehensive review of the global situation, risk factors, and preventive measures. Frontiers in public health, 9, p.634909.
[3] Barlett, C.P., Simmers, M.M., Roth, B. and Gentile, D., 2021. Comparing cyberbullying prevalence and process before and during the COVID-19 pandemic. The journal of social psychology, 161(4), pp.408-418.
[4] Syah, R. and Hermawati, I., 2018. Upaya pencegahan kasus cyberbullying bagi remaja pengguna media sosial di Indonesia. Jurnal Penelitian Kesejahteraan Sosial, 17(2), pp.131-146.
[5] Ani P., 2023. Countries with the largest digital populations in the world as of January 2023, Statista. https://www.statista.com/statistics/262966/number-of-internet-users-in-selected-countries.
[6] Febriana, T. and Budiarto, A., 2019, August. Twitter dataset for hate speech and cyberbullying detection in Indonesian language. In 2019 International Conference on Information Management and Technology (ICIMTech) (Vol. 1, pp. 379-382). IEEE.
[7] Jubaidi, M. and Fadilla, N., 2020. Pengaruh Fenomena Cyberbullying Sebagai Cyber-Crime di Instagram dan Dampak Negatifnya. Shaut Al-Maktabah: Jurnal Perpustakaan, Arsip dan Dokumentasi, 12(2), pp.117-134.
[8] Navisa, A., Amalia, A., Setiya, D., Afra, S. and Pinilih, S.S., 2024. Kemampuan Mitigasi Cyberbullying terhadap Resiliensi Remaja. Journal of Educational Innovation and Public Health, 2(1), pp.201-215.
[9] Geofany, N. and Liza, R., 2021, October. Klasifikasi Sentimen Tweet Pada Twitter Terhadap Pembelajaran E-Learning Menggunakan Metode k-Nearest Neighbor. In SEMINAR NASIONAL TEKNOLOGI INFORMASI & KOMUNIKASI (Vol. 1, No. 1, pp. 380-385).
[10] Khaira, U., Johanda, R., Utomo, P.E.P. and Suratno, T., 2020. Sentiment analysis of cyberbullying on twitter using SentiStrength. Indones. J. Artif. Intell. Data Min, 3(1), p.21.
[11] Larxel, Cyberbullying Classification. Retrieved December 2020. https://www.kaggle.com/datasets/andrewmvd/cyberbullying-classification/data.
[12] J. Wang, K. Fu, C.T. Lu, “SOSNet: A Graph Convolutional Network Approach to Fine-Grained Cyberbullying Detection,” Proceedings of the 2020 IEEE International Conference on Big Data (IEEE BigData 2020), December 10-13, 2020.
[13] Rahman, O.H., Abdillah, G. and Komarudin, A., 2021. Klasifikasi Ujaran Kebencian pada Media Sosial Twitter Menggunakan Support Vector Machine. Jurnal RESTI (Rekayasa Sistem dan Teknologi Informasi), 5(1), pp.17-23.
[14] Suharmanto, B., Kurnia, S., Prabowo, H.G., Pribadi, M.N.N. and Chamidah, N., 2022, August. Klasifikasi Tweet Cyberbullying dengan Menggunakan Algoritma Random Forest. In Prosiding Seminar Nasional Mahasiswa Bidang Ilmu Komputer dan Aplikasinya (Vol. 3, No. 2, pp. 753-764).
[15] Mascio, A., Kraljevic, Z., Bean, D., Dobson, R., Stewart, R., Bendayan, R. and Roberts, A., 2020. Comparative analysis of text classification approaches in electronic health records. arXiv preprint arXiv:2005.06624.
[16] Rosid, M.A., Fitrani, A.S., Astutik, I.R.I., Mulloh, N.I. and Gozali, H.A., 2020, June. Improving text preprocessing for student complaint document classification using sastrawi. In IOP Conference Series: Materials Science and Engineering (Vol. 874, No. 1, p. 012017). IOP Publishing.
[17] Irmanda, H.N. and Astriratma, R., 2020. Klasifikasi Jenis Pantun Dengan Metode Support Vector Machines (SVM). Jurnal RESTI (Rekayasa Sistem dan Teknologi Informasi), 4(5), pp.915-922.
[18] Fikriani, A., Asror, I. and Murti, Y.R., 2019. Klasifikasi Kepribadian Berdasarkan Data Twitter dengan Menggunakan Metode Support Vector Machine. eProceedings of Engineering, 6(3).
[19] Sinaga, H.H. and Agustian, S., 2022. Perbandingan Metode Decision Tree dan XGBoost untuk Klasifikasi Sentimen Vaksin Covid-19 di Twitter. Perbandingan Metode Decision Tree dan XGBoost untuk Klasifikasi Sentimen Vaksin Covid-19 di Twitter, 8(03), pp.107-114.
[20] Edaño, M.G.E., Gonzales, R.J., Laguda, R.C.B. and De Goma, J.C., Stressor Classification of Filipino Political Tweets Using LDA, SVM, XGBoost, Logistic Regression. In International Conference on Industrial Engineering and Operations Management. Istanbul, Turkey.