Klasifikasi Risiko Keamanan Siber Pada Ulasan Pengguna Tiktok Dengan Mengunakan Support Vector Machine
Abstract
The development of social media platforms such as TikTok encourages users to openly share experiences, complaints, and opinions, including issues related to cybersecurity risks. The large volume of user reviews makes manual analysis inefficient, thereby requiring a computational approach for automatic risk classification. This study aims to classify cybersecurity risks in TikTok user reviews using the Support Vector Machine (SVM) algorithm. The research method includes data collection, text preprocessing based on Natural Language Processing, risk labeling, and classification using SVM. Model evaluation was conducted using two data split scenarios, namely 80:20 and 70:30. The experimental results show that SVM achieves consistent performance with an accuracy above 93%, particularly in classifying the No Risk and Medium Risk categories. However, the model shows limitations in detecting the High Risk category due to class imbalance. The classification results can be used as an initial basis for identifying cybersecurity risks in social media user reviews.
Keywords: Cybersecurity; TikTok; Text Mining; Support Vector Machine; Classification
Abstrak
Perkembangan platform media sosial seperti TikTok mendorong pengguna untuk menyampaikan pengalaman, keluhan, dan opini secara terbuka, termasuk yang berkaitan dengan risiko keamanan siber. Banyaknya ulasan yang dihasilkan menyebabkan analisis manual menjadi tidak efisien, sehingga diperlukan pendekatan komputasional untuk melakukan klasifikasi risiko secara otomatis. Penelitian ini bertujuan untuk mengklasifikasikan risiko keamanan siber pada ulasan pengguna TikTok menggunakan algoritma Support Vector Machine (SVM). Metode penelitian meliputi pengumpulan data ulasan, preprocessing teks berbasis Natural Language Processing, pelabelan risiko, serta proses klasifikasi menggunakan SVM. Evaluasi model dilakukan dengan dua skenario pembagian data, yaitu 80:20 dan 70:30. Hasil pengujian menunjukkan bahwa SVM mampu memberikan kinerja yang konsisten dengan tingkat akurasi di atas 93%, terutama dalam mengklasifikasikan kategori Tidak Berisiko dan Risiko Menengah. Namun, performa model pada kategori Risiko Tinggi masih terbatas akibat ketidakseimbangan distribusi data. Hasil klasifikasi ini dapat dimanfaatkan sebagai dasar identifikasi awal risiko keamanan siber pada ulasan media sosial.
Keywords
References
A. T. Zy and W. Hadikristanto, “Implementasi Algoritma Metode Naive Bayes dan Support Vector Machine Tentang Pembobolan dan Kebocoran Data di Twitter,” Bull. Inf. Technol. (BIT, vol. 4, no. 1, pp. 49–56, 2023, doi: 10.47065/ bit.v3i1. 493.
P. R. Artika and A. H. Lubis, “Implementasi Algortima Support Vector Machine Dalam Klasifikasi Komentar Pengguna Produk Skintific di E-Commerce,” Jutisi J. Ilm. Tek. Inform. dan Sist. Inf., vol. 14, no. 2, p. 1349, 2025, doi: 10.35889/jutisi.v14i2.3137.
K. Al Mas Ud, M. I. Fieldi, M. H. Al-Farisy, M. Alfarizi, F. Fathoni, and A. I. Ibrahim, “Analisis Sentimen Deepseek Berdasarkan Ulasan Google Play Store Menggunakan Metode Naïve Bayes,” Jutisi J. Ilm. Tek. Inform. dan Sist. Inf., vol. 14, no. 2, p. 1020, 2025, doi: 10.35889/jutisi.v14i2.2778.
Y. Khoiruddin, "Analisis Sentimen Gojek Indonesia Pada Twitter Menggunakan Algoritma Naive Bayes dan Support Vector Machine. Progresif: Jurnal Ilmiah Komputer, vol. 19, no. 1, pp. 391-400. doi:http://dx.doi.org/10.35889/progresif.v19i1.1173
I. Guspian and M. H. Basri, “Comparison of Naive Bayes and SVM Algorithms in Sentiment Analysis for the Optimization of Hotel Operational Services in Central Bangka Regency,” Jutisi J. Ilm. Tek. Inform. dan Sist. Inf., vol. 14, no. 2, p. 1315, 2025, doi: 10.35889/jutisi.v14i2.3107.
R. Artikel, M. I. Amal, E. S. Rahmasita, E. Suryaputra, and N. A. Rakhmawati, “Analisis Klasifikasi Sentimen Terhadap Isu Kebocoran Data Kartu Identitas Ponsel di Twitter,” J. Tek. Inform. dan Sist. Informas, vol. 8, no. September, pp. 645–660, 2022, doi: 10.28932/jutisi.v8i3.5483.
M. Ramdan, A. Surya, and U. Hayati, “Analisis Sentimen Ulasan Pengguna Ovo Menggunakan Algoritma Naive Bayes Pada Google Play Store,” JATI (Jurnal Mhs. Tek. Inform., vol. 8, no. 3, pp. 2780–2786, 2024.
R. Fahlapi, A. Y. Kuntoro, and T. Asra, “Perbandingan Algoritma Klasifikasi Analisis Sentimen Pengguna Aplikasi Getcontact Dalam Pencegahan Penipuan Online,” J-INTECH (Journal Inf. Technol., vol. 2, no. 2, pp. 158–167, 2024.
A. Wijaya, Meilinda, and M. Maharani, “Analisis Sentimen Ulasan Aplikasi Shazam Di Google Play Store Menggunakan Support Vector Machine,” Zo. J. Sist. Inf., vol. 6, no. 1, pp. 197–207, 2024, doi: 10.31849/zn.v6i1.17994.
M. Aji, A. Maldini, and S. Andryana, “Analisis Sentimen Ulasan Pengguna Aplikasi Perbankan Menggunakan Algoritma Support Vector Machine Dan Naive Bayes,” JATI (Jurnal Mhs. Tek. Inform., vol. 9, no. 3, pp. 4098–4105, 2025.
A. S. Kirana, R. Roeswidiah, and A. Pudoli, “Analisis Sentimen Pada Media Sosial Terhadap Layanan Samsat Digital Nasional,” Idealis Indones. J. Inf. Syst. Vol., vol. 8, no. 1, pp. 53–63, 2025.
A. 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,” J. Sains dan Inform., vol. 8, no. 2, pp. 107–115, 2022, doi: 10.34128/jsi.v8i2.535.
I. Budianto, Nurchim, and H. Permatasari, “Klasifikasi Ancaman Keamanan Siber Menggunakan Algoritma Naive Bayes,” Indones. J. Appl. Informatics, vol. 9, no. 2, pp. 431–439, 2025.
M. Iranda and N. Huda, “Analisis Kinerja Algoritma SVM dan Naïve Bayes untuk Klasifikasi Sentimen Program Makan Gratis,” Jutisi J. Ilm. Tek. Inform. dan Sist. Inf., vol. 14, no. 3, pp. 1452–1464, 2025, doi: 10.35889/jutisi.v14i3.3183.
M. Z. Mubarok, S. Rizqi, R. M. Rizal, A. B. N. Syalim, and N. Iksan, “Klasifikasi Sentimen Ulasan Aplikasi Claude Menggunakan Naive Bayes dan Support Vector Machine,” JUSIFOR J. Sist. Inf. dan Inform., vol. 4, no. 1, pp. 110–119, 2025, doi: 10.70609/jusifor.v4i1.7054.
L. F. S. Minggow, A. V. Vitianingsih, S. Kacung, A. L. Maukar, and J. F. Rusdi, “Sentiment Analysis on Ajaib App Using the SVM Method,” J. Sisfokom (Sistem Inf. dan Komputer), vol. 14, no. 4, pp. 551–556, 2025, doi: 10.32736/sisfokom.v14i4.2402.
T. Tan, H. Sama, G. Wijaya, and O. E. Aboagye, “Studi Perbandingan Deteksi Intrusi Jaringan Menggunakan Machine Learning: (Metode SVM dan ANN),” J. Teknol. dan Inf., vol. 13, no. 2, pp. 152–164, 2023, doi: 10.34010/jati.v13i2.10484.
F. M. Sarimole and Kudrat, “Analisis Sentimen Terhadap Aplikasi Satu Sehat Pada Twitter Menggunakan Algoritma Naive Bayes Dan Support Vector Machine,” MALCOM Indones. J. Mach. Learn. Comput. Sci., vol. 5, no. 3, pp. 783–790, 2024, doi: 10.57152/malcom.v4i2.1206.
How To Cite This :
Refbacks
- There are currently no refbacks.
