Unjuk Kerja Algoritma Support Vector Machine (SVM) dan Naïve Bayes Dalam Pengklasifikasian Berita Hoaks Pada Twitter Tentang Aksi Cepat Tanggap (ACT)
DOI:
https://doi.org/10.5201/jet.v5i2.400Kata Kunci:
Aksi cepat tanggap, Klasifikasi, Twitter, Naïve Bayes, Support Vector Machine Decision Support SystemsAbstrak
Twitter merupakan satu dari banyaknya media sosial yang populer di kalangan masyarakat. Terkadang informasi yang beredar di twitter merupakan berita palsu yang tidak dapat dibuktikan kebenarannya (hoaks). Penelitian ini menggunakan algoritma Naïve Bayes dan Support Vector Machine (SVM) untuk menentukan berita yang beredar di platfrom twitter mengenai Aksi Cepat Tanggap (ACT) termasuk ke dalam berita hoaks atau berita faktual. Proses klasifikasi dimulai dengan pengumpulan data dengan Teknik Scraping dan setelah itu dilakukan pelabelan untuk mengklasifikasi data latih. Data yang telah diberi label kemudian diproses melalui text pre-processing dan dilanjutkan dengan klasifikasi menggunakan metode Naïve Bayes dan Support Vector Machine (SVM). Jumlah data yang digunakan dalam penelitian ini sebanyak 1425 data dan dibagi ke dalam kategori fakta dan kategori hoaks. Pada proses klasifikasi algoritma Naïve Bayes mendapat nilai akurasi 66,76%, presisi 70,13%, dan recall 58,38%. Sedangkan hasil evaluasi klasifikasi Support Vector Machine (SVM) memiliki tingkat akurasi 65,22%, presisi 71,37%, dan recall 50,84%. Sehingga dapat disimpulkan performa algoritma Naïve Bayes memiliki performa yang lebih bagus dari algoritma Support Vector Machine.
Referensi
Rahma Hidayat, A., Pandu Adikara, P., & Adinugroho, S. (2020). Klasifikasi Hoaks Kesehatan di Media Sosial menggunakan Support Vector Machine. Jurnal Pengembangan Teknologi Informasi Dan Ilmu Komputer, 4(6), 1702–1708. http://j-ptiik.ub.ac.id.
Prasetya, F., & Ferdiansyah, F. (2022). Analisis Data Mining Klasifikasi Berita Hoax COVID 19 Menggunakan Algoritma Naive Bayes. Jurnal Sistem Komputer Dan Informatika (JSON), 4(1), 132. https://doi.org/10.30865/json.v4i1.4852.
Ula, M., Rahmat, T., & Alfanov, M. M. (2020). ANALISA DAN DETEKSI KONTEN HOAX PADA MEDIA BERITA INDONESIA MENGGUNAKAN MACHINE LEARNING. Jurnal Teknologi Terapan and Sains 4.0, 1(2), 229. https://doi.org/10.29103/tts.v1i2.3263.
Dinata, R. K., Hasdyna, N., & Alif, M. (2021). Applied of Information Gain Algorithm for Culinary Recommendation System in Lhokseumawe. Journal Of Informatics And Telecommunication Engineering, 5(1), 45-52.
Widowati & Sadikin, 2021)Widowati, T. T., & Sadikin, M. (2021). Analisis Sentimen Twitter terhadap Tokoh Publik dengan Algoritma Naive Bayes dan Support Vector Machine. Simetris: Jurnal Teknik Mesin, Elektro Dan Ilmu Komputer, 11(2), 626–636. https://doi.org/10.24176/simet.v11i2.4568.
Dinata, R. K., Akbar, H., & Hasdyna, N. (2020). Algoritma K-Nearest Neighbor dengan Euclidean Distance dan Manhattan Distance untuk Klasifikasi Transportasi Bus. ILKOM Jurnal Ilmiah, 12(2), 104-111.
Raharjo, R. A., Sunarya, I. G., & Divayana, D. G. H. (2022). Perbandingan Metode Naïve Bayes Classifier Dan Support Vector Machine Pada Kasus Analisis Sentimen Terhadap Data Vaksin Covid-19 Di Twitter.
Dwianto, E., & Sadikin, M. (2021). Analisis Sentimen Transportasi Online pada Twitter Menggunakan Metode Klasifikasi Naïve Bayes dan Support Vector Machine. Format : Jurnal Ilmiah Teknik Informatika, 10(1), 94. https://doi.org/10.22441/format.2021.v10.i1.009.
Nugraha, F. T., & Hendry, H. (2023). Implementasi Machine Learning Sebagai Analisis Kepuasan Pelanggan Terhadap Penggunaan Aplikasi Kai Access. JIPI (Jurnal Ilmiah Penelitian Dan Pembelajaran Informatika), 8(4), 1248–1255.
Dinata, R. K., Fajriana, F., Zulfa, Z., & Hasdyna, N. (2020). Klasifikasi Sekolah Menengah Pertama/Sederajat Wilayah Bireuen Menggunakan Algoritma K-Nearest Neighbors Berbasis Web. CESS (Journal of Computer Engineering, System and Science), 5(1), 33-37.
Martantoh, E., & Yanih, N. (2022). Implementasi Metode Naïve Bayes Untuk Klasifikasi Karakteristik Kepribadiaan Siswa Di Sekolah MTS Darussa’adah Menggunakan Php Mysql. Jurnal Teknologi Sistem Informasi, 3(2), 166–175. https://doi.org/10.35957/jtsi.v3i2.2896.
