IMPLEMENTASI METODE K-MEANS UNTUK PENGELOMPOKKAN KATA BERINDIKASI CYBERBULLYING PADA KOMENTAR TIKTOK
DOI:
https://doi.org/10.52362/jisicom.v9i2.2163Keywords:
TikTok, Pembelajaran Mesin, Perundungan Siber, Kecerdasan Buatan.Abstract
Perkembangan pesat media sosial seperti TikTok membawa peningkatan kasus cyberbullying yang berdampak negatif pada korban, termasuk tekanan mental. Penelitian ini bertujuan mengimplementasikan metode clustering sebagai pendekatan pembelajaran tanpa pengawasan untuk mengelompokkan kata-kata indikasi cyberbullying dalam komentar TikTok. Dataset komentar TikTok diolah melalui pra-pemrosesan teks seperti tokenisasi dan normalisasi. Metode clustering digunakan untuk mengelompokkan komentar berdasarkan kemiripan pola kata tanpa memerlukan data berlabel. Hasil pengelompokan mengidentifikasi pola kata konsisten yang menjadi indikasi cyberbullying, mendukung deteksi otomatis tindakan bullying di media sosial. Penelitian ini menyimpulkan bahwa pendekatan clustering efektif dalam mengenali ciri cyberbullying dan direkomendasikan untuk pengembangan sistem moderasi konten di TikTok guna mengurangi dampak negatif cyberbullying.
References
[2] Sujatmiko, B. (2024). Analisis Metode Clustering dengan Algoritma DBSCAN Pengelompokan Cyberbullying di Instagram. Repository Universitas Medan Area.
[3] Maruti, E.S., et al. (2024). Cyberbullying Among Elementary School Students on TikTok: Analysis of Behavior Patterns. FKIP UMADA Journal, 2024.
[4] Oktaviyanti, A. (2025). Analisis Sentimen Ulasan Pelecehan di Media Sosial TikTok Menggunakan Algoritma K-Means Clustering. Journal of Engineering, University of Lampung.
[5] Oktaviyanti, A. (2025). Analisis Senitmen dan Pengelompokan Komentar Cyberbullying pada TikTok Menggunakan Algoritma K-Means Clustering. Journal of Engineering, University of Lampung.
[6] Erdiani, B.R.M. (2025). Novel Application of K-Means Algorithm for Sentiment Analysis on TikTok Comments. Universitas Bumigora Journal.
[7] Kartika, A.C.D. (2025). Bentuk dan Faktor Cyberbullying pada Kolom Komentar Konten Kreator TikTok. Etheses UIN Malang.
[8] Maruti, E.S. (2024). Cyberbullying Among Elementary School Students on Social Media: Classification and Symptoms Analysis. FKIP UMADA Journal.
[9] IEEE. (2025). Research on the Application of Weighted Distance K-Means Clustering Algorithm. IEEE Xplore. Scirp.org. (2025). Machine Learning for Identifying Harmful Online Behavior Using K-Means Clustering.
[11] Jurnal UNIMED. (2025). Algoritma K-Means Clustering untuk Mendiagnosis Bullying Berbasis Data Sosial Media.
[12] M. I. Fikri, T. S. Sabrila, Y. Azhar, and U. M. Malang, “Perbandingan Metode Naïve Bayes dan Support Vector Machine pada Analisis Sentimen Twitter,” SMATIKA JURNAL, vol. 10, no. 02, pp. 71–76, Dec. 2020, doi: 10.32664/SMATIKA.V10I02.455.
[13] Rahman et al., “Analisis Perbandingan Algoritma LSTM dan Naive Bayes untuk Analisis Sentimen,” JEPIN (Jurnal Edukasi dan Penelitian Informatika), vol. 8, no. 2, pp. 299–303, Aug. 2022, doi: 10.26418/JP.V8I2.54704.
[14] M. A. Amrustian, W. Widayat, and A. M. Wirawan, “Analisis Sentimen Evaluasi Terhadap Pengajaran Dosen di Perguruan Tinggi Menggunakan Metode LSTM,” JURNAL MEDIA INFORMATIKA BUDIDARMA, vol. 6, no. 1, pp. 535–541, Jan. 2022, doi: 10.30865/MIB.V6I1.3527.
[15] Y. yuli Astari, A. Afiyati, and S. W. Rozaqi, “Analisis Sentimen Multi-Class Pada Sosial Media Menggunakan Metode Long Short-Term Memory (LSTM),” Jurnal Linguistik Komputasional, vol. 4, no. 1, pp. 8–12, Apr. 2021, doi: 10.26418/JLK.V4I1.43
