Deteksi Cyberbullying pada Komentar Postingan di Instagram Menggunakan Algoritma Naive Bayes

Abstract

Pesatnya perkembangan media sosial Instagram tidak hanya memberikan dampak positif bagi interaksi sosial, tetapi juga memicu munculnya tindakan negatif seperti perundungan siber (cyberbullying) di kolom komentar. Moderasi komentar secara manual menjadi sangat tidak efisien mengingat volume data teks yang masif dan terus bertambah setiap detiknya. Penelitian ini bertujuan untuk mengimplementasikan dan mengevaluasi algoritma Multinomial Naive Bayes dalam mengklasifikasikan sentimen komentar pada postingan Instagram menjadi dua kategori, yaitu cyberbullying dan non-cyberbullying. Data teks mentah diproses melalui tahapan text preprocessing yang komprehensif, meliputi case folding, normalisasi kata tidak baku (slang word), cleansing dengan translasi emoji, tokenizing, stopword removal dengan pelestarian kata negasi, serta stemming. Ekstraksi fitur dilakukan menggunakan Term Frequency-Inverse Document Frequency (TF-IDF) dengan pendekatan N-Gram untuk menangkap konteks frasa. Pengujian sistem menggunakan matriks kebingungan (confusion matrix) pada dataset yang telah divalidasi menunjukkan bahwa model ini mampu menghasilkan tingkat akurasi sebesar 87%, presisi 89%, dan recall 85%. Hasil penelitian ini membuktikan bahwa penanganan noise bahasa gaul secara spesifik yang dipadukan dengan algoritma Naive Bayes dapat memberikan performa deteksi klasifikasi yang optimal dan andal dalam memitigasi penyebaran ujaran kebencian di ruang digital.