DETEKSI UJARAN KEBENCIAN DALAM POSTINGAN TWITTER MENGGUNAKAN PENDEKATAN MACHINE LEARNING

Septiawan, Yuda and Chairani, Chairani (2023) DETEKSI UJARAN KEBENCIAN DALAM POSTINGAN TWITTER MENGGUNAKAN PENDEKATAN MACHINE LEARNING. Masters thesis, Institut Informatika dan Bisnis Darmajaya.

	Text Cover.pdf Download (89kB)
	Text Abstrak.pdf Download (117kB)
	Text HALAMAN PENGESAHAN.pdf Download (467kB)
	Text PERSETUJUAN TESIS.pdf Download (474kB)
	Text Daftar ISI.pdf Download (156kB)
	Text BAB 1.pdf Download (288kB)
	Text BAB 2.pdf Download (826kB)
	Text BAB 3.pdf Download (1MB)
	Text BAB 4.pdf Download (1MB)
	Text BAB 5.pdf Download (70kB)
	Text Daftar Pustaka.pdf Download (109kB)
	Text Lampiran.pdf Download (540kB)

Abstract

Pada era digital saat ini, konektivitas internet semakin meluas di Indonesia, memungkinkan akses informasi dan transaksi online dengan efektif dan efisien. Media sosial menjadi salah satu platform utama untuk berkomunikasi dan berbagi informasi, tetapi juga rentan digunakan untuk menyebarkan konten negatif seperti ujaran kebencian. Penelitian ini bertujuan untuk menguji efektivitas empat metode klasifikasi (Support Vector Machine, Logistic Regression, K-Nearest Neighbor, dan Decision Tree) dalam mendeteksi ujaran kebencian dalam postingan Twitter dengan hashtag #Indonesia. Data tweet dikumpulkan melalui API Twitter dan dilabeli menggunakan sentistrength. Metode klasifikasi diterapkan untuk mengidentifikasi sentiment tweet dan hasilnya dievaluasi berdasarkan akurasi dan F-measure pada dua rasio pembagian dataset, yaitu 90:10 dan 80:20 untuk data latih dan data uji. Hasil penelitian menunjukkan bahwa metode Support Vector Machine (SVM) memiliki kinerja paling baik, dengan akurasi sekitar 84% (90:10) dan 83% (80:20), serta F-measure sekitar 83% pada kedua rasio tersebut. Meskipun Logistic Regression menunjukkan akurasi stabil sekitar 82% pada kedua rasio dataset, F-measure cenderung lebih rendah dibandingkan SVM, terutama pada rasio 80:20. Kesimpulannya, SVM memiliki kemampuan yang konsisten dan baik dalam mengklasifikasikan data ujaran kebencian pada platform Twitter, menunjukkan tingkat akurasi tinggi dan keseimbangan antara presisi dan recall. Kata kunci: Sentiment analysis, Support Vector Machine (SVM), Logistic Regression, K-Nearest Neighbor, Decision Tree

Item Type:	Thesis (Masters)
Subjects:	Ilmu Komputer eTheses
Divisions:	Pasca Sarjana > Magister Teknik Informatika
Depositing User:	Yuda Septiawan
Date Deposited:	25 Apr 2024 06:02
Last Modified:	25 Apr 2024 06:02
URI:	http://repo.darmajaya.ac.id/id/eprint/15651

Actions (login required)

View Item