Seiring dengan semakin meningkatnya pengguna media sosial di Indonesia, Twitter menjadi salah satu platform utama di mana masyarakat dapat berbagi pendapat dan kritik terhadap berbagai isu, termasuk kebijakan pemerintah. Kebebasan berkomentar ini, meski memberikan ruang bagi demokrasi, sering kali memicu masalah baru berupa penyebaran komentar negatif, hoaks, hingga ujaran kebencian yang dapat mengganggu stabilitas sosial. Untuk mengatasi fenomena tersebut, pemerintah memberlakukan Undang-Undang Informasi dan Transaksi Elektronik (UU ITE), yang mengatur dan mengawasi aktivitas dunia maya.
Mengelola volume data komentar yang terus meningkat di platform seperti Twitter menjadi tantangan tersendiri. Untuk itu, peneliti dari 51动漫, Faisal Fahmi dan Ardila Nolla Romantike, mengusulkan penggunaan teknik data mining untuk menganalisis komentar-komentar ini, terutama yang berkaitan dengan UU ITE. Tujuan penelitian ini adalah untuk menemukan algoritma yang paling efektif dalam mengklasifikasikan komentar-komentar tersebut, berdasarkan tingkat akurasi, presisi, dan waktu pemrosesan yang dibutuhkan.
Peneliti menggunakan Rapid Miner, alat data mining yang populer, untuk memproses lebih dari 12.000 komentar Twitter berbahasa Indonesia. Komentar-komentar ini dikategorikan ke dalam tujuh label berbeda sesuai dengan pelanggaran UU ITE, seperti penghinaan terhadap pemerintah, ancaman, hingga ujaran kebencian berbasis SARA (suku, agama, ras, dan antargolongan). Lima algoritma klasifikasi yang diuji adalah Naive Bayes, k-Nearest Neighbors (k-NN), Decision Tree, Support Vector Machine (SVM), dan Perceptron.
Hasil penelitian menunjukkan bahwa algoritma Support Vector Machine (SVM) berhasil memberikan kinerja terbaik dengan akurasi tertinggi sebesar 55,32%. Meski angka ini tidak terlalu tinggi, hal ini wajar mengingat kompleksitas data yang digunakan serta banyaknya label yang harus diprediksi. Di sisi lain, algoritma Perceptron menunjukkan performa terburuk, dengan akurasi hanya 18,04%. Meskipun Naive Bayes memiliki waktu pemrosesan tercepat, akurasinya masih kalah dibandingkan dengan SVM.
Keunggulan SVM terletak pada kemampuannya untuk menangani data yang kompleks dan menghasilkan prediksi yang lebih akurat dibandingkan algoritma lainnya. Selain itu, meskipun waktu pemrosesan SVM cukup lama, hasil akhirnya masih lebih baik dalam hal presisi dan recall dibandingkan dengan metode lain seperti k-NN dan Decision Tree.
Penelitian ini menyoroti pentingnya memilih algoritma yang tepat untuk mengklasifikasikan data komentar dalam volume besar dan kompleks. Support Vector Machine (SVM) terbukti menjadi algoritma yang paling efektif untuk tugas ini, memberikan keseimbangan antara akurasi dan efisiensi pemrosesan data. Dengan meningkatnya volume data di media sosial, studi ini memberikan wawasan berharga bagi para peneliti, praktisi, dan pembuat kebijakan dalam mengelola dan menganalisis komentar-komentar di dunia maya yang berkaitan dengan UU ITE.
Sebagai langkah ke depan, penelitian ini juga membuka peluang untuk meningkatkan akurasi dengan mengoptimalkan model dan menggunakan dataset yang lebih besar. Selain itu, mengembangkan model yang lebih baik dapat membantu pemerintah dan platform media sosial untuk mengawasi dan mengelola konten negatif secara lebih efisien, sehingga mencegah potensi penyebaran hoaks dan konflik di dunia maya.
Penulis: Faisal Fahmi, S.Pd., M.Sc., Ph.D.
Link:
Baca juga: Tingkatkan Akurasi Pencarian Informasi dengan Normalisasi Term
