IAIIIAII

Journal of Systems Engineering and Information Technology (JOSEIT)Journal of Systems Engineering and Information Technology (JOSEIT)

Cyberbullying merupakan salah satu kejahatan media sosial yang semakin marak pada era kini, di mana seorang individu mengintimidasi dan mengganggu orang lain melalui perangkat teknologi. Penelitian ini menggunakan desain pengambilan keputusan informasi untuk memperoleh hasil yang diharapkan. Proses pengumpulan data dilakukan secara manual selama satu minggu dengan cara menonton siaran langsung game online pada streamer YouTube, kemudian memisahkan komentar yang mengandung bullying dan yang tidak. Pelabelan data juga dilakukan secara manual, menghasilkan total 1000 komentar, terdiri atas 500 komentar negatif dan 500 komentar positif. Hasil pengujian menunjukkan bahwa pada distribusi data uji dengan rasio 90%‑10% memperoleh performa yang lebih baik dibandingkan pengujian lain, dengan peningkatan 4 % pada metode Naïve Bayes yang diberi bobot Gain Ratio. Berdasarkan data uji, diperoleh metrik presisi, recall, F1‑score, dan akurasi untuk metode klasifikasi Naïve Bayes.

Penelitian ini mengkaji fenomena bullying pada kolom komentar streamer YouTube dengan menggunakan metode Naïve Bayes yang dibobotkan oleh Gain Ratio dan diuji tiga kali.Hasil menunjukkan bahwa metode Naïve Bayes standar menghasilkan akurasi 80 %, sedangkan dengan pembobotan Gain Ratio meningkatkan akurasi menjadi 84 %, menandakan peningkatan sebesar 4 %.Temuan ini menegaskan bahwa pembobotan Gain Ratio merupakan pendekatan yang efektif untuk mengoptimalkan hasil akurasi ketika dikombinasikan dengan metode Naïve Bayes.

Penelitian selanjutnya dapat menguji keefektifan model pembelajaran mendalam, seperti BERT atau transformer, dalam mendeteksi komentar bullying pada platform YouTube dibandingkan dengan Naïve Bayes ber‑Gain Ratio. Selain itu, perlu dilakukan perluasan dataset yang mencakup berbagai bahasa, genre video, dan platform media sosial lain, sehingga generalisasi model dapat dievaluasi secara lebih komprehensif. Penelitian juga dapat mengembangkan sistem deteksi real‑time yang terintegrasi dengan mekanisme intervensi otomatis, misalnya pemberian peringatan kepada pengguna atau modul moderasi langsung, untuk menilai dampak praktis dalam mengurangi cyberbullying. Selanjutnya, analisis faktor kontekstual, seperti tingkat emosional penonton atau karakteristik streamer, dapat dijadikan variabel tambahan guna meningkatkan akurasi klasifikasi. Akhirnya, studi longitudinal yang memantau perubahan pola bullying selama periode waktu yang lebih panjang dapat memberikan wawasan tentang dinamika evolusi perilaku negatif di lingkungan streaming.

  1. How Common Is Cyberbullying Among Adults? Exploring Gender, Ethnic, and Age Differences in the Prevalence... journals.sagepub.com/doi/full/10.1089/cyber.2019.0146How Common Is Cyberbullying Among Adults Exploring Gender Ethnic and Age Differences in the Prevalence journals sagepub doi full 10 1089 cyber 2019 0146
  2. Naives Bayes Algorithm for Twitter Sentiment Analysis - IOPscience. naives bayes algorithm twitter sentiment... iopscience.iop.org/article/10.1088/1742-6596/1933/1/012019Naives Bayes Algorithm for Twitter Sentiment Analysis IOPscience naives bayes algorithm twitter sentiment iopscience iop article 10 1088 1742 6596 1933 1 012019
  3. Comparative analysis of Naïve Bayes, K Nearest Neighbor and C.45 method in weather forecast... iopscience.iop.org/article/10.1088/1742-6596/1402/6/066046Comparative analysis of NayEAve Bayes K Nearest Neighbor and C 45 method in weather forecast iopscience iop article 10 1088 1742 6596 1402 6 066046
  4. APA PsycNet. psycnet loading doi.org/10.1037/cdp0000436APA PsycNet psycnet loading doi 10 1037 cdp0000436
Read online
File size297.96 KB
Pages4
DMCAReport

Related /

ads-block-test