Article Per Year (5 Year)
p-Index From 2021 - 2026
0.23
P-Index
This Author published in this journals
All Journal Jurnal Pengembangan Teknologi Informasi dan Ilmu Komputer
Navyta, Hanifah Putri
Unknown Affiliation
Computer Science & IT Control & Systems Engineering Education Electrical & Electronics Engineering Engineering

Published : 1 Documents Claim Missing Document
Claim Missing Document
Check
Articles

Found 1 Documents
Search

 1 
Klasifikasi Komentar Palsu Pada Video Promosi TikTok Produk Kecantikan Menggunakan XGBoost dengan Oversampling SMOTE Navyta, Hanifah Putri; Indriati; Adikara, Putra Pandu
Jurnal Pengembangan Teknologi dan Ilmu Komputer Vol 10 No 9 (2026): September 2026
Publisher : Fakultas Ilmu Komputer (FILKOM), Universitas Brawijaya

Show Abstract | Download Original | Original Source | Check in Google Scholar

Abstract

Maraknya penggunaan TikTok sebagai media promosi produk kecantikan meningkatkan interaksi pengguna pada kolom komentar, namun juga memunculkan komentar palsu yang dapat memengaruhi persepsi konsumen. Penelitian ini bertujuan untuk menganalisis kinerja algoritma XGBoost dalam klasifikasi komentar palsu, mengkaji pengaruh penggunaan Synthetic Minority Oversampling Technique (SMOTE) pada data tidak seimbang, serta mengevaluasi kemampuan model dalam membedakan komentar asli dan palsu. Dataset yang digunakan terdiri dari 493 komentar berbahasa Indonesia yang dilabeli oleh tiga validator ke dalam dua kelas, yaitu asli dan palsu dengan nilai Fleiss’ Kappa sebesar 0,7572 (kategori signifikan). Metode yang digunakan meliputi preprocessing teks, ekstraksi fitur emoji dan fitur struktur teks, representasi TF-IDF, penyeimbangan data latih menggunakan SMOTE, serta pelatihan dan pengujian model XGBoost pada empat skenario, yaitu dengan dan tanpa SMOTE serta hyperparameter tuning menggunakan grid search. Hasil pengujian menunjukkan bahwa skenario model terbaik dengan SMOTE menghasilkan akurasi sebesar 97,97% dan F1-score kelas palsu sebesar 96,63% pada data uji. Penggunaan SMOTE terbukti meningkatkan recall kelas palsu pada skenario model terbaik dari 93,33% menjadi 95,56% dan F1‑score dari 95,45% menjadi 96,63% dalam mendeteksi komentar palsu pada video promosi produk kecantikan di TikTok.
Co-Authors Indriati Putra Pandu Adikara