PERBANDINGAN METODE VEKTORISASI PADA ANALISA SENTIMENT, STUDI KASUS : CYBERBULLYING PADA KOMENTAR INSTAGRAM
DOI:
https://doi.org/10.36002/jutik.v9i5.2645Keywords:
Cyberbullying, Analisa Sentimen, VektorisasiAbstract
Media sosial sebagai alat komunikasi global telah membawa dampak positif namun juga muncul sisi gelapnya, seperti peningkatan kasus cyberbullying. Penelitian ini mengajukan pendekatan melalui analisis sentimen, dengan penekanan pada teknik vektorisasi. Pendekatan ini menggabungkan tiga teknik vektorisasi utama, yaitu LSTM, Word2Vec, dan TF-IDF, dengan tiga model klasifikasi utama: Random Forest, Naive Bayes, dan Gradient Boosting. Hasil penelitian menunjukkan bahwa penggunaan LSTM dalam kaitannya dengan algoritma Random Forest memunculkan akurasi tertinggi, mencapai 92.5%, dengan kemampuan mengenali pola sentimen yang kompleks. Sementara Naive Bayes memiliki akurasi yang lebih rendah, Word2Vec memberikan peningkatan signifikan dalam pengenalan pola sentimen pada algoritma ini. Penggunaan Word2Vec juga menghasilkan hasil yang konsisten pada algoritma Gradient Boosting dengan akurasi sekitar 86%, menegaskan kemampuannya dalam mengidentifikasi relasi kata dalam analisis sentimen terkait cyberbullying. Di sisi lain, teknik vektorisasi TF-IDF memberikan hasil yang mengesankan, mencapai akurasi tertinggi 96.25% pada algoritma Random Forest, dengan kemampuan mengenali kata-kata kunci yang mempengaruhi sentimen. Kesimpulannya, penelitian ini menggambarkan bahwa berbagai metode vektorisasi memiliki dampak yang signifikan dalam analisis sentimen terhadap komentar Instagram, terutama dalam konteks deteksi cyberbullying. Oleh karena itu, pemilihan metode vektorisasi yang sesuai sangat penting dalam mengembangkan algoritma analisis sentimen yang efektif.
References
I. K. Dharmendra, I. G. N. A. Kusuma, I. A. M. C. Dewi, and Edwar, “IMPLEMENTASI TEXT MINING UNTUK KLASIFIKASI OPINI ALUMNI PADA PERGURUAN TINGGI,” Jurnal Teknologi Informasi dan Komputer, vol. 9, no. 3, Art. no. 3, Jul. 2023, Accessed: Aug. 18, 2023. [Online]. Available: https://jurnal.undhirabali.ac.id/index.php/jutik/article/view/2504
“Sentiment Analysis on Twitter Data by Using Convolutional Neural Network (CNN) and Long Short Term Memory (LSTM) | SpringerLink.” https://link.springer.com/article/10.1007/s11277-021-08580-3 (accessed Apr. 28, 2023).
K. Hammar, S. Jaradat, N. Dokoohaki, and M. Matskin, “Deep Text Mining of Instagram Data without Strong Supervision,” in 2018 IEEE/WIC/ACM International Conference on Web Intelligence (WI), Dec. 2018, pp. 158–165. doi: 10.1109/WI.2018.00-94.
R. Bayari and A. Bensefia, “Text Mining Techniques for Cyberbullying Detection: State of the Art,” Adv. sci. technol. eng. syst. j., vol. 6, no. 1, pp. 783–790, Feb. 2021, doi: 10.25046/aj060187.
K. Dharmendra, K. O. Saputra, and I. N. Pramaita, “Analisa Sentiment Untuk Opini Alumni Perguruan Tinggi,” Majalah Ilmiah Teknologi Elektro, vol. 18, no. 2, pp. xxxx–xxxx, Jul. 2019, doi: 10.24843/mite.2019.v18i02.p11.
B. B. Baskoro, I. Susanto, and S. Khomsah, “Analisis Sentimen Pelanggan Hotel di Purwokerto Menggunakan Metode Random Forest dan TF-IDF (Studi Kasus: Ulasan Pelanggan Pada Situs TRIPADVISOR),” INISTA (Journal of Informatics Information System Software Engineering and Applications), vol. 3, no. 2, Art. no. 2, Jun. 2021, doi: 10.20895/inista.v3i2.218.
M. P. Simatupang and D. P. Utomo, “ANALISA TESTIMONIAL DENGAN MENGGUNAKAN ALGORITMA TEXT MINING DAN TERM FREQUENCY- INVERSE DOCUMENT FREQUENCE (TF-IDF) PADA TOKO ALLMEEART,” KOMIK (Konferensi Nasional Teknologi Informasi dan Komputer), vol. 3, no. 1, Art. no. 1, Dec. 2019, doi: 10.30865/komik.v3i1.1697.
“Sentiment Analysis of Comment Texts Based on BiLSTM | IEEE Journals & Magazine | IEEE Xplore.” https://ieeexplore.ieee.org/abstract/document/8684825 (accessed Jul. 10, 2023).
P. F. Muhammad, R. Kusumaningrum, and A. Wibowo, “Sentiment Analysis Using Word2vec And Long Short-Term Memory (LSTM) For Indonesian Hotel Reviews,” Procedia Computer Science, vol. 179, pp. 728–735, Jan. 2021, doi: 10.1016/j.procs.2021.01.061.
S. Styawati, A. Nurkholis, A. A. Aldino, S. Samsugi, E. Suryati, and R. P. Cahyono, “Sentiment Analysis on Online Transportation Reviews Using Word2Vec Text Embedding Model Feature Extraction and Support Vector Machine (SVM) Algorithm,” in 2021 International Seminar on Machine Learning, Optimization, and Data Science (ISMODE), Jan. 2022, pp. 163–167. doi: 10.1109/ISMODE53584.2022.9742906.
“The Accuracy Comparison Between Word2Vec and FastText On Sentiment Analysis of Hotel Reviews | Jurnal RESTI (Rekayasa Sistem dan Teknologi Informasi).” http://jurnal.iaii.or.id/index.php/RESTI/article/view/3711 (accessed Aug. 25, 2023). [12] V. A. Fitri, R. Andreswari, and M. A. Hasibuan, “Sentiment Analysis of Social Media Twitter with Case of Anti-LGBT Campaign in Indonesia using Naïve Bayes, Decision Tree, and Random Forest Algorithm,” Procedia Computer Science, vol. 161, pp. 765–772, Jan. 2019, doi: 10.1016/j.procs.2019.11.181.
Md. A. Rahman and Y. A. Akter, “Topic Classification from Text Using Decision Tree, K-NN and Multinomial Naïve Bayes,” in 2019 1st International Conference on Advances in Science, Engineering and Robotics Technology (ICASERT), May 2019, pp. 1–4. doi: 10.1109/ICASERT.2019.8934502.
Y. T. Samuel, J. J. Hutapea, and B. Jonathan, “Predicting the Timeliness of Student Graduation Using Decision Tree C4.5 Algorithm in Universitas Advent Indonesia,” in 2019 12th International Conference on Information & Communication Technology and System (ICTS), Jul. 2019, pp. 276–280. doi: 10.1109/ICTS.2019.8850948.
H. Reddy, N. Raj, M. Gala, and A. Basava, “Text-mining-based Fake News Detection Using Ensemble Methods,” Int. J. Autom. Comput., vol. 17, no. 2, pp. 210–221, Apr. 2020, doi: 10.1007/s11633-019-1216-5.
D. A. Al-Qudah, A. M. Al-Zoubi, P. A. Castillo-Valdivieso, and H. Faris, “Sentiment Analysis for e-Payment Service Providers Using Evolutionary eXtreme Gradient Boosting,” IEEE Access, vol. 8, pp. 189930–189944, 2020, doi: 10.1109/ACCESS.2020.3032216.
“Analisis Sentimen Cyberbullying pada Komentar Instagram dengan Metode Klasifikasi Support Vector Machine | Jurnal Pengembangan Teknologi Informasi dan Ilmu Komputer.” https://j-ptiik.ub.ac.id/index.php/j-ptiik/article/view/3051 (accessed Apr. 28, 2023).
Downloads
Published
How to Cite
Issue
Section
License
Copyright (c) 2023 Jurnal Teknologi Informasi dan Komputer
This work is licensed under a Creative Commons Attribution-NonCommercial-ShareAlike 4.0 International License.
This work is licensed under a Creative Commons Attribution-NonCommercial-ShareAlike 4.0 International License.
