SISTEM DETEKSI WAWASAN MORAL BERSOSIAL MEDIA: ANALISIS KOMENTAR TIDAK SESUAI PADA INSTAGRAM

Ahmad Fikri Iskandar, Dedy Irwan, Tantri Hidayati Sinaga

Abstract


Digitalisasi saat ini semakin mempermudah pengguna internet untuk aktif atau memberikan opini mereka di sosial media. Permasalahan komentar tidak sesuai seperti ini sangatlah mengganggu terhadap publik figur dan tidak sesuai dengan moral bersosial media di Instagram karena komentar yang diharapkan berupa respon terhadap foto yang diunggah tetapi yang ada hanya komentar hatespeech, komentar promosi, komentar jualan, komentar testimoni yang tidak jelas, bahkan tautan ke suatu laman berbahaya. Tujuan penelitian adalah untuk mengetahui berapa tingkat ketepatan dengan menggunakan sistem pendeteksi wawasan moral bersosial media di Instagram dengan Naïve Bayes dan K-Nearest Neighbor. Langkah pembuatan peracangan dengan menggunakan metode SDLC. Preprocessing komentar adalah tokenisasi, stopword removal dan stemming. Akurasi sistem untuk klasifikasi komentar tidak sesuai wawasan moral bersosial media menggunakan metode K-Nearest Neighbor sebesar 73,6% sedangkan menggunakan metode Naïve Bayes sebesar 67,2%. Sehingga dapat disimpulkan bawah sistem deteksi wawasan moral bersosial media untuk klasifikasi komentar tidak sesuai menggunakan metode K-Nearest Neighbor lebih baik daripada menggunakan metode Naïve Bayes.

Keywords


Moral Bersosial Media; Spam; Deteksi; Instagram

Full Text:

PDF

References


Ahmed, I., Guan, D., & Chung, T. C. (2014). SMS Classification Based on Naïve Bayes Classifier and Apriori Algorithm Frequent Itemset. International Journal of Machine Learning and Computing, 4(2), 183–187. https://doi.org/10.7763/ijmlc.2014.v4.409

Chrismanto, A. R., & Lukito, Y. (2017). Identifikasi Komentar Spam Pada Instagram. Lontar Komputer : Jurnal Ilmiah Teknologi Informasi, 8(3), 219. https://doi.org/10.24843/lkjiti.2017.v08.i03.p08

H, A. T. J. (2015). Preprocessing Text untuk Meminimalisir Kata yang Tidak Berarti dalam Proses Text Mining. Informatika UPGRIS, 1, 1–9.

Jo, V. (2019). Introduction. In Seminars in Diagnostic Pathology (Vol. 36, Issue 2). https://doi.org/10.1053/j.semdp.2019.02.002

Kannan, S., Gurusamy, V., Vijayarani, S., Ilamathi, J., Nithya, M., Kannan, S., & Gurusamy, V. (2015). Preprocessing Techniques for Text Mining. International Journal of Computer Science & Communication Networks, 5(1), 7–16.

Pratiwi, S. N. D., & Ulama, B. S. S. (2016). Klasifikasi Email Spam dengan Menggunakan Metode Support Vector Machine dan k-Nearest Neighbor. Jurnal Sains Dan Seni ITS, 5(2), 344–349. https://doi.org/10.12962/j23373520.v5i2.16685

Rosandy, T. (2016). Perbandingan Metode Naive Bayes Classifier Dengan Metode Decision Tree (C4.5) Untuk Menganalisa Kelancaran Pembiayaan (Study Kasus : Kspps / Bmt Al-Fadhila. Jurnal Teknologi Informasi Magister Darmajaya, 2(01), 52–62.

Rusland, N. F., Wahid, N., Kasim, S., & Hafit, H. (2017). Analysis of Naïve Bayes Algorithm for Email Spam Filtering across Multiple Datasets. IOP Conference Series: Materials Science and Engineering, 226(1), 0–9. https://doi.org/10.1088/1757-899X/226/1/012091

Sharma, A., & Suryawanshi, A. (2016). A Novel Method for Detecting Spam Email using KNN Classification with Spearman Correlation as Distance Measure. International Journal of Computer Applications, 136(6), 28–35. https://doi.org/10.5120/ijca2016908471


Refbacks

  • There are currently no refbacks.


Copyright (c) 2021 Ahmad Fikri Iskandar, Dedy Irwan, Tantri Hidayati Sinaga

Creative Commons License
This work is licensed under a Creative Commons Attribution 4.0 International License.