Article Per Year (5 Year)
p-Index From 2021 - 2026
0.408
P-Index
This Author published in this journals
All Journal Jurnal Responsif : Riset Sains dan Informatika
Muawiyah, Shofiyah Siti
Unknown Affiliation
Computer Science & IT

Published : 2 Documents Claim Missing Document
Claim Missing Document
Check
Articles

Found 2 Documents
Search

 1 
KOMPARASI OPTIMASI ANALISIS SENTIMEN CYBERBULLYING PADA INSTAGRAM BERBASIS PARTICLE SWARM OPTIMIZATION Herliana, Asti; Muawiyah, Shofiyah Siti
Jurnal Responsif : Riset Sains dan Informatika Vol 6 No 1 (2024): Jurnal Responsif : Riset Sains dan Informatika
Publisher : LPPM Universitas Adhirajasa Reswara Sanjaya

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.51977/jti.v6i1.1419

Abstract

Sejak masa pandemi covid-19 melanda dunia, sekitar 78,19% manusia di Indonesia mengandalkan media internet sebagai penunjang utama kegiatan sehari-hari. Hal ini membuat aktivitas manusia mayoritas dilakukan melalui dunia maya, salah satunya adalah sebagai bentuk eksistensi. Media sosial seperti Instagram, menjadi pilihan dari banyak manusia di dunia utamanya Indonesia untuk menyalurkan segala macam bentuk aspirasinya. Efek dari meningkatnya postingan di media sosial ini juga berimbas kepada tingginya tingkat perundungan melalui dunia maya yang sering dikenal dengan istilah cyberbullying. Salah satu bentuk cyberbullying yang marak terjadi adalah melalui ujaran kebencian dan kata-kata yang tidak baik terhadap postingan yang diunggah. Pada penelitian kali ini akan dilakukan optimasi untuk mengetahui analisis sentimen terhadap berbagai tindak cyberbullying yang ada pada media sosial Instagram agar dapat ditindak lebih lanjut dengan menggunakan metode Particle Swarm Optimization (PSO). Sedangkan untuk metode klasifikasi dari analisis sentiment pada penelitian kali ini dilakukan komparasi dengan menggunakan algoritma support vector machine (SVM) dan naïve bayes. Dari hasil penelitian diketahui bahwa performa metode PSO memberikan hasil yang lebih baik jika dikombinasikan dengan metode SVM yang mencapai nilai akurasi 78,60% dengan dukungan 100% class precission. Sedangkan hasil naïve bayes hanya mencapai nilai akurasi 78,00% dengan dukungan class precission sebesar 99,74%.
KOMPARASI OPTIMASI ANALISIS SENTIMEN CYBERBULLYING PADA INSTAGRAM BERBASIS PARTICLE SWARM OPTIMIZATION Herliana, Asti; Muawiyah, Shofiyah Siti
Jurnal RESPONSIF: Riset Sains & Informatika Vol 6 No 1 (2024): Jurnal Responsif : Riset Sains dan Informatika
Publisher : LPPM Universitas Adhirajasa Reswara Sanjaya

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.51977/jti.v6i1.1419

Abstract

Sejak masa pandemi covid-19 melanda dunia, sekitar 78,19% manusia di Indonesia mengandalkan media internet sebagai penunjang utama kegiatan sehari-hari. Hal ini membuat aktivitas manusia mayoritas dilakukan melalui dunia maya, salah satunya adalah sebagai bentuk eksistensi. Media sosial seperti Instagram, menjadi pilihan dari banyak manusia di dunia utamanya Indonesia untuk menyalurkan segala macam bentuk aspirasinya. Efek dari meningkatnya postingan di media sosial ini juga berimbas kepada tingginya tingkat perundungan melalui dunia maya yang sering dikenal dengan istilah cyberbullying. Salah satu bentuk cyberbullying yang marak terjadi adalah melalui ujaran kebencian dan kata-kata yang tidak baik terhadap postingan yang diunggah. Pada penelitian kali ini akan dilakukan optimasi untuk mengetahui analisis sentimen terhadap berbagai tindak cyberbullying yang ada pada media sosial Instagram agar dapat ditindak lebih lanjut dengan menggunakan metode Particle Swarm Optimization (PSO). Sedangkan untuk metode klasifikasi dari analisis sentiment pada penelitian kali ini dilakukan komparasi dengan menggunakan algoritma support vector machine (SVM) dan naïve bayes. Dari hasil penelitian diketahui bahwa performa metode PSO memberikan hasil yang lebih baik jika dikombinasikan dengan metode SVM yang mencapai nilai akurasi 78,60% dengan dukungan 100% class precission. Sedangkan hasil naïve bayes hanya mencapai nilai akurasi 78,00% dengan dukungan class precission sebesar 99,74%.
Co-Authors Asti Herliana, Asti