Eksplorasi Topik Kekerasan Siber Berbasis Gender (KSBG) Di Media Sosial Twitter/X Menggunakan Text Clustering

Rahma, Dzakiyyah Afifah
Ratnawati, Dian Eka

Jurnal Teknologi Informasi dan Ilmu Komputer
Vol. 13 No. 5: Oktober 2026

Pelaporan kasus kekerasan siber berbasis gender (KSBG) di Indonesia terus meningkat. Pemahaman persepsi publik mengenai KSBG menjadi penting untuk membantu upaya pencegahan dan penanganannya. Sosial media, khususnya Twitter/X, menjadi wadah bagi warganet untuk mendiskusikan diskursus terkait KSBG. Penelitian ini bertujuan untuk mengidentifikasi topik utama dari data tweet tentang KSBG melalui text clustering, alasan topik tersebut masih terjadi di Indonesia serta menilai performa algoritma clustering yang berbeda pada dataset yang sama. 2378 data tweet dikelompokkan menggunakan algoritma K-Means, K-Medoids, Agglomerative Hierarchical Clustering, dan DBSCAN. Performa masing-masing algoritma dievaluasi menggunakan metrik Silhouette Coefficient, Davies-Bouldin Index, Calinski-Harabasz Index, dan interpretasi topik melalui analisis kualitatif. Hasil penelitian menunjukkan bahwa algoritma Agglomerative Hierarchical Clustering memiliki performa terbaik berdasarkan Silhouette Coefficient dan Davies-Bouldin Index, sedangkan algoritma K-Means adalah algoritma terbaik berdasarkan Calinski-Harabasz Index. Algoritma K-Means dan K-Medoids membagi data menjadi topik yang lebih spesifik dibandingkan Agglomerative Hierarchical Clustering dan DBSCAN yang cenderung membentuk klaster noise. Hasil clustering mengidentifikasi tiga topik utama mengenai KSBG, yaitu “Edukasi Bentuk, Dampak, dan Penanganan KSBG”, “Pelecehan Seksual Verbal dan Non-Konsensual”, dan “Ujaran Kebencian Berbasis Gender di Platform Digital”. Faktor hukum dan regulasi diidentifikasi sebagai faktor penting yang berkontribusi pada terjadinya KSBG di Indonesia.   Abstract The number of reports of technology-facilitated gender-based violence (TFGBV) cases keeps rising in Indonesia. Understanding public perception of TFGBV is critical for preventing and addressing it. Social media, particularly Twitter/X, has provided a forum for netizens to discuss TFGBV discourse. The purpose of this study is to identify the key topics of Twitter data regarding TFGBV using text clustering, the reasons behind their continued prevalence in Indonesia, and the performance of several clustering techniques on the same dataset. 2378 tweets were clustered using K-Means, K-Medoids, Agglomerative Hierarchical Clustering, and DBSCAN algorithms. Each method’s performance was assessed using Silhouette Coefficient, Davies-Bouldin Index, Calinski-Harabasz Index metric, and qualitative analysis of the topic interpretation. The results reveal that the Agglomerative Hierarchical Clustering exhibits superior performance according to the Silhouette Coefficient and Davies-Bouldin Index, while K-Means performs best based on Calinski-Harabasz Index. The K-Means and K-Medoids algorithms separate data into more detailed topics, while Agglomerative Hierarchical Clustering and DBSCAN tend to produce noise clusters. Clustering result showed three major topics around TFGBV: “Education on Forms, Impacts, and Handling of TFGBV”, “Verbal and Non-Consensual Sexual Harassment”, and “Gender Hate Speech on Digital Platforms”. Legal and regulatory factors have been highlighted as key contributors to the prevalence of TFGBV in Indonesia.