Klasifikasi Pelanggaran Etika Siber pada Media Sosial X Menggunakan Algoritma Extreme Gradient Boosting Berbasis TF-IDF
Keywords:
Klasifikasi Pelanggaran Etika Siber, Komentar Media Sosial X, Machine Learning, Extreme Gradient Boosting (XGBoost), Text MiningAbstract
Perkembangan platform sosial memiliki dampak signifikan terhadap cara orang berkomunikasi dalam dunia digital. Salah satu situs yang populer adalah media sosial X, yang memberikan kesempatan bagi penggunanya untuk menyampaikan pendapat dengan cepat dan tanpa batas. Namun, kebebasan ini sering kali memicu berbagai persoalan terkait pelanggaran norma etika di dunia maya, seperti ujaran kebencian, perundungan siber, penghinaan, dan komentar negatif lainnya. Tujuan dari penelitian ini adalah untuk mengklasifikasikan pelanggaran etika di media sosial X melalui algoritma Extreme Gradient Boosting (XGBoost) dengan menggunakan data dari Kaggle. Metode yang digunakan dalam studi ini mencakup pengumpulan data, pemrosesan awal teks, ekstraksi fitur dengan TF-IDF, pelatihan model dengan algoritma XGBoost, dan penilaian kinerja model melalui pengukuran akurasi, presisi, recall, dan skore F1. Dataset yang digunakan berasal dari Kaggle, berisi komentar-komentar yang dikelompokkan sebagai pelanggaran etika di dunia maya serta komentar yang normal. Temuan dari penelitian ini menunjukkan bahwa algoritma XGBoost dapat mengklasifikasikan kemungkinan terjadinya pelanggaran etika di komentar media sosial dengan tingkat akurasi yang sangat baik.
References
Applications, E. (2025). Implementation of TF-IDF and XGBoost Algorithms in Scientific Paper Classification. 5(1), 1–5.
Felix Fernando. (2025). Klasifikasi Tweet Cyberbullying Dengan Menggunakan Algoritma Svm Dan Xgboost. Jurnal Ilmu Komputer Dan Sistem Informasi, 13(1). https://doi.org/10.24912/jiksi.v13i1.32857
Kairupan, I. Y., Angdresey, A., & Arif, H. (2023). An Extreme Gradient Boosting Approach for Classification and Sentiment Analysis. The Asian Journal of Technology Management (AJTM), 16(3), 211–225. https://doi.org/10.12695/ajtm.2023.16.3.5
Kipkosgei, D., & Mackenzie, S. (2026). Performance Evaluation of Hybrid SVM- RF and XGBoost-RF Architectures for Classifying Gender-Based Violence Tweets on X. 28(5), 61–72.
Kirana, A. S., Roeswidiah, R., & Pudoli, A. (2025). Analisis Sentimen Pada Media Sosial Terhadap Layanan Samsat Digital Nasional. 8, 53–63.
Mahmudah, S. A., & Yudhistira, A. (2025). Analisis Sentimen Terhadap Cyberbullying pada Platform Media Sosial X Menggunakan Algoritma Naive Bayes. Jurnal Pendidikan Dan Teknologi Indonesia, 5(1), 189–200. https://doi.org/10.52436/1.jpti.628
Munna, A., & Zuliarso, E. (2024). Interpretation of Stacking Ensemble model for sentiment analysis of online loan application reviews using LIME. Aiti, 21(2), 183–196.
Putu, I., Purnama Widiarta, A., Dwiyansaputra, R., & Aranta, A. (2023). ANALISIS SENTIMEN MASYARAKAT TERHADAP KEBIJAKAN PENERAPAN PPKM DI MEDIA SOSIAL TWITTER DENGAN MENGGUNAKAN METODE XGBOOST (Analysis Of Community Sentiment On The Policy Of Implementation Of PPKM On Twitter Social Media Using Xgboost Method). Jurnal Teknologi Informasi, Komputer Dan Aplikasinya (JTIKA), 5(2), 154–163. http://jtika.if.unram.ac.id/index.php/JTIKA/
