UNPAMUNPAM

Jurnal Informatika Universitas PamulangJurnal Informatika Universitas Pamulang

Komentar Toxic adalah komentar yang dilontarkan oleh pengguna media sosial yang berisi ungkapan kebencian, merendahkan, mengancam, dan menghina. Pengguna media sosial yang rata-rata masih remaja dengan sifat yang masih belum dapat dikontrol sepenuhnya menjadi hal yang sangat perlu diperhatikan ketika mereka berkomentar, komentar mereka dapat dikaji sebagai pemrosesan teks. Sentimen analisis dapat digunakan sebagai solusi mengidentifikasi komentar toxic dengan membaginya menjadi dua kelas klasifikasi. Dimana data yang digunakan berjumlah 1.500 yang diambil dari media sosial Facebook di grup private komunitas Arena of Valor. Dataset tersebut dibagi menjadi 2 kelas yaitu kelas toxic, dan non-toxic. Penelitian ini menggunakan Naive Bayes dengan transformasi TF-IDF dan seleksi fitur Information Gain serta penggunaan rasio pembagian data 80:20. Akan dibandingkan hasil dari evaluasi dimana Naive Bayes tanpa transformasi, menggunakan transformasi TF-IDF, dan TF-IDF menggunakan seleksi fitur Information Gain. Hasil perbandingan dari evaluasi yang telah dilakukan dengan confusion matrix didapatkan model klasifikasi terbaik ialah menggunakan rasio pembagian data training dan data testing 80:20 dengan transformasi TF-IDF menghasilkan akurasi sebesar sebesar 75%, precision sebesar 63%, recall sebesar 67%, dan F-measure sebesar 64%.

Penelitian ini menyimpulkan bahwa proses klasifikasi sentimen komentar toxic di grup komunitas Arena of Valor, dengan validasi 1500 komentar (1237 non-toxic dan 263 toxic), menunjukkan kecenderungan sentimen non-toxic.Model klasifikasi Naive Bayes dengan rasio pembagian data 80.20 dan transformasi TF-IDF menghasilkan akurasi tertinggi sebesar 75%, precision 63%, recall 67%, dan F-measure 64%.Hasil ini menunjukkan bahwa TF-IDF, dengan mempertimbangkan bobot kata yang sering dan unik, memberikan pembobotan yang lebih seimbang dibandingkan model lain.

Penelitian selanjutnya dapat memperluas dataset yang digunakan untuk meningkatkan generalisasi model klasifikasi. Selain itu, eksplorasi metode pembobotan dan seleksi fitur alternatif, seperti Chi-Square atau Particle Swarm Optimization, dapat dilakukan untuk mengidentifikasi kombinasi yang optimal. Lebih lanjut, penelitian dapat berfokus pada pengembangan model yang lebih kompleks, seperti deep learning, untuk menangkap pola-pola yang lebih halus dalam komentar toxic. Mengingat penelitian ini berfokus pada grup Facebook game online, studi lanjutan dapat menginvestigasi apakah karakteristik komentar toxic berbeda di platform media sosial lain atau dalam konteks topik yang berbeda. Hal ini akan membantu dalam membangun model yang lebih adaptif dan efektif untuk mendeteksi komentar toxic di berbagai lingkungan online. Dengan meningkatkan jumlah data, mencoba metode yang berbeda, dan memperluas cakupan penelitian, kita dapat mengembangkan sistem yang lebih baik untuk memoderasi konten online dan menciptakan lingkungan digital yang lebih aman dan positif bagi semua pengguna.

  1. 0. pdf obj endobj xobject procset text imageb imagec imagei mediabox contents group tabs az 9h ww cw... iarjset.com/wp-content/uploads/2018/10/IARJSET.2018.597.pdf0 pdf obj endobj xobject procset text imageb imagec imagei mediabox contents group tabs az 9h ww cw iarjset wp content uploads 2018 10 IARJSET 2018 597 pdf
  2. Open Journal Systems. open journal systems skip main content navigation menu site footer run university... doi.org/10.24843/MITEOpen Journal Systems open journal systems skip main content navigation menu site footer run university doi 10 24843 MITE
  3. Sentimen Analisis Berinternet Pada Media Sosial dengan Menggunakan Algoritma Bayes | fauzi | Jurnal Informatika.... ejournal.bsi.ac.id/ejurnal/index.php/ji/article/view/5437Sentimen Analisis Berinternet Pada Media Sosial dengan Menggunakan Algoritma Bayes fauzi Jurnal Informatika ejournal bsi ac ejurnal index php ji article view 5437
  4. Subversive Toxicity Detection using Sentiment Information - ACL Anthology. subversive toxicity detection... doi.org/10.18653/v1/w19-3501Subversive Toxicity Detection using Sentiment Information ACL Anthology subversive toxicity detection doi 10 18653 v1 w19 3501
Read online
File size421.64 KB
Pages8
DMCAReport

Related /

ads-block-test