Deteksi Ujaran Kebencian Berbahasa Indonesia pada Media Sosial X Menggunakan Metode Support Vector Machine (SVM)
Keywords:
Ujaran Kebencian, Support Vector Machine, TF-IDF, Klasifikasi Teks, Twitter/XAbstract
Perkembangan media sosial telah mengubah pola komunikasi masyarakat dengan menyediakan sarana pertukaran informasi dan penyampaian pendapat secara cepat melalui platform digital. Di balik kemudahan tersebut, peningkatan aktivitas pengguna media sosial juga diikuti oleh maraknya penyebaran ujaran kebencian yang berpotensi menimbulkan diskriminasi, intoleransi, maupun konflik sosial. Salah satu platform yang banyak digunakan untuk menyampaikan opini publik adalah Twitter atau X, sehingga platform ini menjadi sumber data yang relevan untuk penelitian deteksi ujaran kebencian. Penelitian ini bertujuan mengidentifikasi konten ujaran kebencian pada tweet berbahasa Indonesia dengan memanfaatkan algoritma Support Vector Machine (SVM). Dataset yang digunakan diperoleh dari Kaggle dan terdiri atas 13.169 tweet berbahasa Indonesia. Tahapan penelitian meliputi preprocessing data, pembobotan fitur menggunakan metode Term Frequency–Inverse Document Frequency (TF-IDF), proses klasifikasi menggunakan SVM, serta evaluasi model melalui metrik accuracy, precision, recall, dan F1-score. Hasil pengujian menunjukkan bahwa model menghasilkan accuracy sebesar 65,79%, precision sebesar 10,43%, recall sebesar 61,66%, dan F1-score sebesar 17,84%. Berdasarkan hasil tersebut, algoritma SVM memiliki kemampuan untuk digunakan dalam proses klasifikasi ujaran kebencian pada media sosial.
References
Felix Fernando, “Klasifikasi Tweet Cyberbullying Dengan Menggunakan Algoritma SVM dan XGBoost,” Jurnal Ilmu Komputer dan Sistem Informasi, vol. 13, no. 1, 2025.
Kairupan, I. Y., Angdresey, A., & Arif, H., “An Extreme Gradient Boosting Approach for Classification and Sentiment Analysis,” The Asian Journal of Technology Management, vol. 16, no. 3, pp. 211–225, 2023.
Mahendra, R., “Deteksi Ujaran Kebencian pada Twitter Berbahasa Indonesia Menggunakan Support Vector Machine,” Jurnal Teknologi Informasi dan Ilmu Komputer, vol. 10, no. 2, pp. 101–110, 2024.
Mahmudah, S. A., & Yudhistira, A., “Analisis Sentimen Terhadap Cyberbullying pada Platform Media Sosial X Menggunakan Algoritma Naive Bayes,” Jurnal Pendidikan dan Teknologi Indonesia, vol. 5, no. 1, pp. 189–200, 2025.
Munna, A., & Zuliarso, E., “Interpretation of Stacking Ensemble Model for Sentiment Analysis of Online Loan Application Reviews Using LIME,” Aiti, vol. 21, no. 2, pp. 183–196, 2024.
Pratama, A., & Wijaya, D., “Implementasi TF-IDF dan Support Vector Machine untuk Klasifikasi Teks Bahasa Indonesia,” Jurnal Informatika, vol. 11, no. 1, pp. 45–53, 2023.
Putu, I., Purnama Widiarta, A., Dwiyansaputra, R., & Aranta, A., “Analisis Sentimen Masyarakat Terhadap Kebijakan Penerapan PPKM di Media Sosial Twitter Dengan Menggunakan Metode XGBoost,” Jurnal Teknologi Informasi, Komputer dan Aplikasinya (JTIKA), vol. 5, no. 2, pp. 154–163, 2023.
Rahman, A., & Saputra, R., “Klasifikasi Hate Speech Bahasa Indonesia Menggunakan Metode Support Vector Machine,” Jurnal RESTI (Rekayasa Sistem dan Teknologi Informasi), vol. 7, no. 3, pp. 455–462, 2023.
Sari, N., & Ramadhan, F., “Penerapan Text Mining pada Deteksi Ujaran Kebencian di Media Sosial Twitter,” Jurnal Media Informatika Budidarma, vol. 8, no. 1, pp. 12–20, 2024.
Wibowo, A., & Nugroho, H., “Analisis Sentimen Twitter Berbahasa Indonesia Menggunakan TF-IDF dan Machine Learning,” Jurnal Nasional Teknologi dan Sistem Informasi, vol. 9, no. 2, pp. 88–96, 2024.
