Klasifikasi Risiko Keamanan Siber Pada Ulasan Pengguna Tiktok Dengan Mengunakan Support Vector Machine

Sandra, Jaya (Universitas Muhammadiyah Bengkulu)
Alam, RG Guntur (Universita Muhammadiyah Bengkulu)
Gunawan, Gunawan (Universita Muhammadiyah Bengkulu)

Jutisi: Jurnal Ilmiah Teknik Informatika dan Sistem Informasi
Vol 15, No 1 (2026): Februari 2026

The development of social media platforms such as TikTok encourages users to openly share experiences, complaints, and opinions, including issues related to cybersecurity risks. The large volume of user reviews makes manual analysis inefficient, thereby requiring a computational approach for automatic risk classification. This study aims to classify cybersecurity risks in TikTok user reviews using the Support Vector Machine (SVM) algorithm. The research method includes data collection, text preprocessing based on Natural Language Processing, risk labeling, and classification using SVM. Model evaluation was conducted using two data split scenarios, namely 80:20 and 70:30. The experimental results show that SVM achieves consistent performance with an accuracy above 93%, particularly in classifying the No Risk and Medium Risk categories. However, the model shows limitations in detecting the High Risk category due to class imbalance. The classification results can be used as an initial basis for identifying cybersecurity risks in social media user reviews.Keywords: Cybersecurity; TikTok; Text Mining; Support Vector Machine; Classification  AbstrakPerkembangan platform media sosial seperti TikTok mendorong pengguna untuk menyampaikan pengalaman, keluhan, dan opini secara terbuka, termasuk yang berkaitan dengan risiko keamanan siber. Banyaknya ulasan yang dihasilkan menyebabkan analisis manual menjadi tidak efisien, sehingga diperlukan pendekatan komputasional untuk melakukan klasifikasi risiko secara otomatis. Penelitian ini bertujuan untuk mengklasifikasikan risiko keamanan siber pada ulasan pengguna TikTok menggunakan algoritma Support Vector Machine (SVM). Metode penelitian meliputi pengumpulan data ulasan, preprocessing teks berbasis Natural Language Processing, pelabelan risiko, serta proses klasifikasi menggunakan SVM. Evaluasi model dilakukan dengan dua skenario pembagian data, yaitu 80:20 dan 70:30. Hasil pengujian menunjukkan bahwa SVM mampu memberikan kinerja yang konsisten dengan tingkat akurasi di atas 93%, terutama dalam mengklasifikasikan kategori Tidak Berisiko dan Risiko Menengah. Namun, performa model pada kategori Risiko Tinggi masih terbatas akibat ketidakseimbangan distribusi data. Hasil klasifikasi ini dapat dimanfaatkan sebagai dasar identifikasi awal risiko keamanan siber pada ulasan media sosial.