ANALISIS SENTIMEN CYBERBULLYING PADA SOSIAL MEDIA INSTAGRAM MENGGUNAKAN METODE SUPPORT VECTOR MACHINE

Abstract

Media sosial termasuk suatu platform digital yang mengizinkan pemakainya untuk berinteraksi, bertukar informasi, serta membuat konten yang dapat diakses dan dibagikan oleh pengguna lainnya melalui internet. Pengguna media sosial dapat berhubungan dengan orang-orang di seluruh dunia dan membangun jaringan sosial online. Banyak media sosial yang terkenal misalnya Facebook, Instagram, Twitter, LinkedIn, TikTok, dan YouTube. Saat ini, media sosial punya efek banyak bagi cara kita hidup dan bisnis saat ini, dan banyak digunakan untuk tujuan seperti komunikasi, promosi, pemasaran, dan hiburan. Pengguna Instagram dapat mengkritik foto atau video yang diposting orang-orang di bagian komentar. Komentar yang dibuat dalam bentuk kalimat digunakan sebagai input dan output digunakan dalam bentuk kalimat identifikasi yang mengandung cyberbullying dan non-cyberbullying Instagram termasuk platform media sosial yang memungkinkan pengguna berbagi video dan foto pendek dengan pengikut mereka baik secara publik maupun pribadi. Instagram memungkinkan pengguna untuk memperluas jaringan sosial mereka dengan mengikuti akun orang lain dan juga memperbolehkan pengguna untuk berinteraksi dengan konten yang diunggah melalui berbagai opsi seperti "like", "komentar", "repost", dan sebagainya. Text mining bertjuan untuk menemukan informasi berharga yang tersembunyi baik dari sumber informasi terstruktur dan tidak terstruktur. Analisis sentiment sangat diperlukan filter komentar di media social, proses analisis sentiment yaitu untuk mengklasifikasikan informasi sebagai informasi yang termasuk kedalam komentar negative ataupun positif. Algoritma Support Vector Machine dapat digunakan untuk menganalisis sentimen bullying online di kolom komentar Instagram. Hasil klasifikasi berupa kelas positif dan negatif, terbagi menjadi perasaan positif tentang cyberbullying dan perasaan negatif tentang cyberbullying. Penggunaan 400 dataset untuk melakukan training dan membentuk model klasifikasi menghasilkan akurasi sebesar 84,25% ,memperoleh precission sebesar 80,22%, memperoleh Recall sebesar 92,50% dan nilai AUC sebesar 0,928