Pemetaan Topik Pembicaraan Pada Komentar Live Youtube Menggunakan K-Means Clustering sebagai Identifikasi awal Kejahatan Verbal Cyberbullying

Alfirna Rizqi Lahitani; Adlia Nur  Zhafarina; Nanda Saputri  Windi Oktavia; Nita  Jariyah

doi:10.36277/jteuniba.v8i2.253

Authors

Alfirna Rizqi Lahitani Universitas Jenderal Achmad Yani Yogyakarta
Adlia Nur Zhafarina Universitas Jenderal Achmad Yani Yogyakarta
Nanda Saputri Windi Oktavia Universitas Jenderal Achmad Yani Yogyakarta
Nita Jariyah Universitas Jenderal Achmad Yani Yogyakarta

DOI:

https://doi.org/10.36277/jteuniba.v8i2.253

Keywords:

Cyberbullying, Clustering, K-Means, Topic Modelling, Youtube

Abstract

Survey APJII 2022 mencatat 98,02% internet digunakan oleh kalangan anak muda generasi Z untuk mengakses media sosial. Keberadaan media sosial tentu saja memiliki dampak sosial, salah satunya sebagai tempat perundungan atau bullying. Permasalahan muncul dalam proses identifikasi korban dan pelaku cyberbullying, selain itu kesulitan dalam makna dan maksud kata yang mengandung unsur bullying dapat menimbulkan multitafsir yang mempengaruhi dalam proses investigasi. Untuk mengatasi permasalahan tersebut, diperlukan sebuah upaya identifikasi awal dengan mengelompokkan topik pembicaraan menggunakan metode text mining. Cara ini dapat dimulai dengan melakukan teknik preprocessing, dikarenakan data percakapan berbentuk teks. Selanjutnya dilakukan pengelompokkan topik menggunakan algoritma K-means clustering. Berdasarkan hasil perhitungan kelompok komentar yang mengandung perundungan kemudian dipetakan dengan bantuan tools Rapidminer. Kontribusi dari penelitian ini adalah sebagai langkah awal implementasi keamanan siber pada tahap identifikasi bukti digital untuk keperluan investigasi dan persidangan. Penelitian ini menghasilkan pemetaan dalam bentuk klaster. Hasil analisis pada 2 klaster terlihat pola pengelompokkan pada term tertentu yang secara konsisten terkelompok dan berisi term yang sama yaitu term “Nanyi”, sehingga dapat ditarik kesimpulan awal bahwa topik yang sedang menjadi pembahasan dalam Video adalah seputar kegiatan bernyanyi atau unsur perbincangan dalam konteks bernyanyi. Sedangkan pada klaster lain term yang berkelompok lebih beragam karena keunikan masing-masing term.

Downloads

Download data is not yet available.

References

APJII, “Profil Internet Indonesia 2022,” Apji.or.Od, no. June, p. 10, 2022, [Online]. Available: apji.or.id.

L. Fazry and N. C. Apsari, “Pengaruh Media Sosial Terhadap Perilaku Cyberbullying Di Kalangan Remaja,” J. Penelit. dan Pengabdi. Kpd. Masy., vol. 2, no. 2, p. 272, 2021, doi: 10.24198/jppm.v2i2.34679.

A. Muhariya, “Pengelompokkan Komentar Pada Media Sosial Instagram Menggunakan Metode K-Means Clustering Untuk Identifikasi Awal Cyberbullying,” pp. 1–71, 2022.

L. Siagian, A. Budiarto, P. Strategi, P. Udara, and U. Pertahanan, “PERAN KEAMANAN SIBER DALAM MENGATASI KONTEN NEGATIF GUNA MEWUJUDKAN KETAHANAN INFORMASI NASIONAL,” pp. 1–18, 2017.

A. R. Lahitani, U. S. Aesyi, N. Wulandari, and B. D. Santosa, “Cosine Similarity untuk Mengukur Tingkat Kesadaran pada Topik Software Security Berbasis Teks Komentar di Media Sosial Youtube,” vol. 8, no. November, pp. 107–115, 2022, doi: 10.34128/jsi.v8i2.535.

E. Nurdiyanto and G. A. Resticka, “Kata Makian Sebagai Alat Bukti Investigasi Tindak Kejahatan Verbal (Kajian Linguistik Forensik Berbasis Semantik dan Pragmatik),” Gramatika STKIP PGRI Sumatera Barat, vol. 7, no. 1, pp. 43–56, 2021.

A. Linda Mustika, M. Santoso, N. Sabrina, and K. Penulis, “Pertanggungjawaban Pidana Atas Tindak Pidana Pelecehan Verbal Melalui Media Sosial,” Bhirawa Law J., vol. 2, no. 1, 2021, [Online]. Available: http://jurnal.unmer.ac.id/index.php/blj/.

B. Rahmat et al., “Implemetasi k-means clustering pada rapidminer untuk analisis daerah rawan kecelakaan,” Semin. Nas. Ris. Kuantitatif Terap. 2017, no. April, pp. 58–60, 2017, [Online]. Available: https://ojs.innov-center.org/index.php/snrkt2017/article/download/10/9.

M. Habibi and P. W. Cahyo, “Clustering User Characteristics Based on the influence of Hashtags on the Instagram Platform,” IJCCS (Indonesian J. Comput. Cybern. Syst., vol. 13, no. 4, p. 399, 2019, doi: 10.22146/ijccs.50574.

H. Irsyad and M. R. Pribadi, “Implementasi Text Mining Dalam Pengelompokan Data Tweet Pertanian Indonesia Dengan K-Means,” Kurawal - J. Teknol. Inf. dan Ind., vol. 3, no. 2, pp. 164–172, 2020, doi: 10.33479/kurawal.v3i2.347.

F. Kolini and L. Janczewski, “Clustering and topic modelling: A new approach for analysis of national cybersecurity strategies,” Proc. ot 21st Pacific Asia Conf. Inf. Syst. “‘Societal Transform. Through IS/IT’”, PACIS 2017, 2017.

N. W. Utami and I. G. J. Eka Putra, “Text Minig Clustering Untuk Pengelompokan Topik Dokumen Penelitian Menggunakan Algoritma K-Means Dengan Cosine Similarity,” J. Inform. Teknol. dan Sains, vol. 4, no. 3, pp. 255–259, 2022, doi: 10.51401/jinteks.v4i3.1907.

R. Khan, Y. Qian, and S. Naeem, “Extractive based Text Summarization Using KMeans and TF-IDF,” Int. J. Inf. Eng. Electron. Bus., vol. 11, no. 3, pp. 33–44, 2019, doi: 10.5815/ijieeb.2019.03.05.

K. P. Sinaga and M. S. Yang, “Unsupervised K-means clustering algorithm,” IEEE Access, vol. 8, pp. 80716–80727, 2020, doi: 10.1109/ACCESS.2020.2988796.

Aderibigbe, “Pemodelan Deteksi Cyber Bullying Pada Jejaring Sosial Twitter,” Energies, vol. 6, no. 1, pp. 1–8, 2018, [Online].

M. Ahmed, R. Seraj, and S. M. S. Islam, “The k-means algorithm: A comprehensive survey and performance evaluation,” Electron., vol. 9, no. 8, pp. 1–12, 2020, doi: 10.3390/electronics9081295.

N. F. Hasan, “Deteksi Cyberbullying pada Facebook Menggunakan Algoritma K-Nearest Neighbor,” J. Smart Syst., vol. 1, no. 1, pp. 35–44, 2021, doi: 10.36728/jss.v1i1.1605.

H. Humaira and R. Rasyidah, “Determining The Appropiate Cluster Number Using Elbow Method for K-Means Algorithm,” 2020, doi: 10.4108/eai.24-1-2018.2292388.

M. A. Syakur, B. K. Khotimah, E. M. S. Rochman, and B. D. Satoto, “Integration K-Means Clustering Method and Elbow Method for Identification of1. Syakur MA, Khotimah BK, Rochman EMS, Satoto BD. Integration K-Means Clustering Method and Elbow Method for Identification of the Best Customer Profile Cluster. IOP Conf Ser Mat,” IOP Conf. Ser. Mater. Sci. Eng., vol. 336, no. 1, 2018, doi: 10.1088/1757-899X/336/1/012017.

M. Cui, “on the Elbow Method,” pp. 5–8, 2020, doi: 10.23977/accaf.2020.010102.

J. D’Silva and U. Sharma, “Unsupervised Automatic Text Summarization of Konkani Texts using K-means with Elbow Method,” Int. J. Eng. Res. Technol., vol. 13, no. 9, pp. 2380–2384, 2020, doi: 10.37624/ijert/13.9.2020.2380-2384.

A. R. Lahitani, “Automated Essay Scoring menggunakan Cosine Similarity pada Penilaian Esai Multi Soal,” J. Kaji. Ilm., vol. 22, no. 2, pp. 107–118, 2022, doi: 10.31599/jki.v22i2.1121.