Deteksi Berita Rumor Pada Sosial Media Twitter Menggunakan Metode Naïve Bayes Multinomial Dengan Pembobotan Tf-idf

Abstract

Abstrak Media sosial adalah sarana tempat untuk berkomunikasi dan bertukar informasi sesama manusia, dan salah satu media sosial yang digunakan adalah Twitter. Ada beberapa informasi yang kita dapatkan belum tentu benar adanya, ada berita yang kurang tepat ataupun tidak tepat kebenarannya bisa disebut berita rumor. Berita rumor sudah sangat sering kita lihat dimedia sosial, banyak sekali pihak yang dirugikan dengan adanya berita rumor. Pada penelitian tugas akhir ini, penulis membangun sistem untuk mendeteksi berita rumor pada twitter. Diperlukan nilai bobot pada tweet yang diambil dari berita rumor yang disebarkan oleh beberapa orang di Twitter, Term Frequency Inverse Document Frequency (TF-IDF) pembobotan yang digunakan penulis dalam penelitian ini dengan fitur ekstraksi TF-IDF N-gram. Klasifikasi data menggunakan metode Naïve bayes Multinomial untuk memprediksi hasil akurasi dari penelitian ini. Hasil performansi yang diperoleh menggunakan TF-IDFdalam pengujian sebesar 78,53% dengan data uji sebesar 10%. Sedangkan untuk klasifikasi tanpa menggunakan TF-IDF sebesar 77,98% dengan data uji sebesar 10%. Keyword: Rumor, TF-IDF, Naïve Bayes Multinomial, Non Rumor, Sosial Media

Abstract Social media is a place to communicate and exchange information about fellow human beings, and one of the social media used is Twitter. There is some information that we get is not necessarily true, there is a lack of precise or improper news of the truth can be called rumors news. Rumor news has been very often seen in social media, so many parties were harmed by rumors of news. In this final research assignment, the author builds a system to detect rumors of news on Twitter. It takes a weighted value to a tweet taken from rumor news spread by some people on Twitter, the weighting Term Frequency Inverse Document Frequency (TF-IDF) that the author used in this study. The data classification uses the Naïve Bayes Classifier method to predict the accuracy results of this study. Performance results obtained using TF-IDF in tests of 78,53% with a test data of 10%. As for classification without using TF-IDF of 77,98% with test data of 10%. Keyword: Rumor, TF-IDF, Naïve bayes Multinomial, Non Rumor, Media Social