Article Per Year (5 Year)
p-Index From 2021 - 2026
1.235
P-Index
This Author published in this journals
All Journal JURNAL MEDIA INFORMATIKA BUDIDARMA Jurnal Pilar Nusa Mandiri J-SAKTI (Jurnal Sains Komputer dan Informatika) IJISTECH (International Journal Of Information System & Technology) JOURNAL OF INFORMATION SYSTEM MANAGEMENT (JOISM) REMIK : Riset dan E-Jurnal Manajemen Informatika Komputer IJISTECH J-SAKTI (Jurnal Sains Komputer dan Informatika) Journal Automation Computer Information System (JACIS) J-Intech (Journal of Information and Technology)
Susi Susilowati, Susi
Unknown Affiliation
Computer Science & IT Control & Systems Engineering Decision Sciences, Operations Research & Management Education Electrical & Electronics Engineering Energy Engineering Library & Information Science Social Sciences

Published : 11 Documents Claim Missing Document
Claim Missing Document
Check
Articles

Found 11 Documents
Search

 1   2 
KOMPARASI SVM-LR BERBASIS INDOBERT DAN SMOTE-TOMEK PADA DETEKSI BUZZER Fahreza, Muhamad Hasan; Sipayung, Nicolas Zefanya; Santoso, Indra Wahyu; Susilowati, Susi
Journal of Information System Management (JOISM) Vol. 7 No. 2 (2026): Januari
Publisher : Universitas Amikom Yogyakarta

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.24076/joism.2026v7i2.2435

Abstract

Dominasi aktivitas buzzer politik di TikTok mengancam orisinalitas aspirasi publik melalui manipulasi opini, yang diperburuk oleh ketimpangan distribusi data (imbalanced data) sehingga menyulitkan deteksi akurat. Penelitian ini bertujuan mengomparasikan performa Support Vector Machine (SVM) dan Logistic Regression (LR) berbasis fitur IndoBERT yang dioptimasi dengan hybrid resampling SMOTE-Tomek untuk menangani ketidakseimbangan kelas ekstrem. Studi kasus dilakukan pada 1.502 komentar terkait isu penculikan mahasiswa. Hasil pengujian menunjukkan integrasi IndoBERT dan SMOTE-Tomek efektif menghasilkan Area Under Curve (AUC) >0,90 pada kedua model. Meskipun SVM unggul marginal dalam sensitivitas (AUC 0,9193), Logistic Regression terbukti lebih superior dalam menjaga validitas pengguna organik dengan spesifisitas 79,2% dan F1-Score kelas minoritas 0,72. Penelitian ini merekomendasikan LR sebagai model terbaik karena karakteristik probabilistiknya lebih adaptif meminimalisir False Positive, sehingga lebih akurat dalam memisahkan narasi organik dari propaganda buzzer.
Co-Authors Afiandri, Dhea Aulia Agus Perdana Windarto AHMAD FAHRIZAL Apriyanto, Apriyanto Fahreza, Muhamad Hasan Harsih Rianto Hersatoto Listiyono Johan Ericka Wahyu Prakasa Laila Isyriyah Nur Fadillah, Nur Rana, Dipo Yudhis Roris, Renaldi Putra Santoso, Indra Wahyu Saputra, Andhika Sipayung, Nicolas Zefanya Syarifah, Asyifa Raudha Wardani, Chyntia Ayu Widiana, Rahmi Yamin Nuryamin Zuly Budiarso