Deteksi Perundungan Siber Pada Tweet Berbahasa Indonesia Menggunakan Support Vector Machine Dengan Lexicon Based Features

Panjaitan, Abednego Torang Bolon (2021) Deteksi Perundungan Siber Pada Tweet Berbahasa Indonesia Menggunakan Support Vector Machine Dengan Lexicon Based Features. Sarjana thesis, Universitas Brawijaya.

Abstract

Salah satu bentuk penyalahgunaan kemudahan interaksi pada sosial media Twitter adalah perundungan siber. Perundungan siber dapat mengakibatkan korban merasa tidak berharga, marah, malu, tidak percaya diri, dan takut. Perundungan yang dapat dilakukan melalui media sosial berupa ejekan, fitnah, dan ancaman. Deteksi Perundungan Siber bertujuan untuk mendeteksi tweet yang mengandung perundungan. Support Vector Machine adalah metode yang digunakan dengan menggunakan fitur Term Frequency-Inverse Document Frequency dan tambahan dari fitur Lexicon Based. Data yang digunakan berjumlah 337 data, dengan pembagian komposisi 70% data latih dan 30% data uji. Hasil evaluasi pada sistem menunjukkan bahwa menggunakan Lexicon Based Feature memberikan hasil recall yang lebih baik daripada hanya menggunakan TF-IDF dan fitur gabungan dari TF-IDF dengan Lexicon Based Feature. Hasil evaluasi tertinggi didapatkan dengan menggunakan Lexicon Based Feature, yaitu Kernel Linear dengan parameter lambda = 0,1, gamma = 0,0001, complexity = 1, epsilon = 0,0001, dan iter max = 10 menghasilkan accuracy = 82,69, recall = 79,66, precision = 88,67, dan f-measure = 83,92.

English Abstract

-

Other obstract

-

Item Type: Thesis (Sarjana)
Identification Number: 052115
Subjects: 000 Computer science, information and general works > 004 Computer science
Divisions: Fakultas Ilmu Komputer > Teknik Informatika
Depositing User: Unnamed user with username rizky
Date Deposited: 22 Oct 2021 07:13
Last Modified: 22 Feb 2022 07:51
URI: http://repository.ub.ac.id/id/eprint/184158
[thumbnail of DALAM MASA EMBARGO] Text (DALAM MASA EMBARGO)
ABEDNEGO TORANG BOLON PANJAITAN.pdf
Restricted to Registered users only until 31 December 2023.
Download (6MB)

Actions (login required)

View Item View Item