<![CDATA[Ancaman siber di media sosial, khususnya di platform Twitter, semakin meningkat seiring dengan maraknya konten bernuansa ujaran kebencian, hinaan, dan serangan verbal yang dapat merugikan individu maupun kelompok. Mengingat tingginya volume data dan kecepatan pertumbuhan konten, deteksi manual menjadi tidak lagi efektif. Penelitian ini mengusulkan pendekatan berbasis pembelajaran mesin dengan fokus pada penggunaan metode Term Frequency-Inverse Document Frequency (TF-IDF) sebagai teknik utama representasi fitur teks. Data dikumpulkan melalui scraping menggunakan kata kunci terkait isu keamanan siber, kemudian dilakukan proses preprocessing untuk membersihkan dan menyiapkan data teks. Pelabelan sentimen dilakukan secara otomatis menggunakan model BERT Indonesia dari Hugging Face. Setelah data diolah, representasi TF-IDF diterapkan untuk mengubah teks menjadi fitur numerik yang kemudian digunakan sebagai input ke dalam model Multi-Layer Perceptron (MLP). Evaluasi performa dilakukan menggunakan metrik akurasi, presisi, recall, dan F1-score. Hasil evaluasi menunjukkan bahwa kombinasi TF-IDF dan MLP mampu mencapai akurasi klasifikasi sentimen sebesar 73.25%. Temuan ini mengindikasikan bahwa penggunaan TF-IDF sebagai teknik representasi fitur dalam analisis sentimen memiliki efektivitas yang tinggi, dan berpotensi dikembangkan lebih lanjut sebagai bagian dari sistem deteksi otomatis terhadap ancaman siber di media sosial.]]>
Copyrights © 2025
