SELEKSI FITUR MENGGUNAKAN PSO UNTUK KLASIFIKASI HATE SPEECH PADA MEDIA SOSIAL MENGGUNAKAN NAIVE BAYES CLASSIFIER
Media sosial yang semakin berkembang telah mempermudah penyebaran hate
speech atau ujaran kebencian, yang dapat berdampak negatif pada target, baik
secara psikologis maupun sosial. Algoritma Naive Bayes dikenal efektif untuk
klasifikasi teks, namun memiliki kelemahan dalam sensitivitas terhadap pemilihan
fitur. Oleh karena itu, penelitian ini mengusulkan penggunaan Particle Swarm
Optimization (PSO) untuk melakukan seleksi fitur guna meningkatkan akurasi
klasifikasi hate speech pada media sosial. Penelitian ini bertujuan untuk
membandingkan performa algoritma Naive Bayes sebelum dan sesudah diterapkan
metode seleksi fitur menggunakan PSO. Dataset yang digunakan terdiri dari 1.113
komentar dari media sosial Instagram dan Twitter. Proses text preprocessing
dilakukan, termasuk tokenisasi, penghapusan stopword, dan stemming, diikuti
dengan pembobotan TF-IDF. Hasil penelitian menunjukkan bahwa penggunaan
PSO mampu meningkatkan akurasi Naive Bayes dari 87.16% menjadi 92.37%.
Dengan demikian, PSO terbukti efektif dalam meningkatkan performa algoritma
Naive Bayes untuk klasifikasi hate speech. Penelitian ini memberikan kontribusi
dalam pengembangan teknologi deteksi ujaran kebencian di media sosial secara
otomatis dan efisien.
URI
https://repo.itera.ac.id/depan/submission/SB2409260140
Keyword
Media sosial yang semakin berkembang telah memperm