Deteksi Bot Spammer pada Twitter Berbasis Sentiment Analysis dan Time Interval Entropy

Abstract

Abstract. Spam is an abuse of messaging undesired by recipients. Those who send spam are called spammers. Popularity of Twitter has attracted spammers to use it as a means to disseminate spam messages. The spams are characterized by a neutral emotional sentiment or no particular users’ preference perspective. In addition, the regularity of tweeting behavior periodically shows automation performed by bot. This study proposes a new method to differentiate between bot spammer and legitimate user accounts by integrating the sentiment analysis (SA) based on emotions and time interval entropy (TIE). The combination of knowledge-based and machine learning-based were used to classify tweets with positive, negative and neutral sentiments. Furthermore, the collection of timestamp is used to calculate the time interval entropy of each account. The results show that the precision and recall of the proposed method reach up to 83% and 91%. This proves that the merging SA and TIE can optimize overall system performance in detecting Bot Spammer.Keywords: bot spammer, twitter, sentiment analysis, polarity, entropy Abstrak. Spam merupakan penyalahgunaan pengiriman pesan tanpa dikehendaki oleh penerimanya, orang yang mengirimkan spam disebut spammer. Ketenaran Twitter mengundang spammer untuk menggunakannya sebagai sarana menyebarluaskan pesan spam. Karakteristik dari tweet yang dikategorikan spam memiliki sentimen emosi netral atau tidak ada preferensi tertentu terhadap suatu perspektif dari user yang memposting tweet. Selain itu keteraturan waktu perilaku saat memposting tweet secara periodik menunjukkan otomatisasi yang dilakukan bot. Pada penelitian ini diusulkan metode baru untuk mendeteksi antara bot spammer dan legitimate user dengan mengintegrasikan sentimen analysis berdasarkan emosi dan time interval entropy. Pendekatan gabungan knowledge-based dan machine learning-based digunakan untuk mengklasifikasi tweet yang memiliki sentimen positif, negatif dan tweet netral. Selanjutnya kumpulan timestamp digunakan untuk menghitung time interval entropy dari tiap akun. Hasil percobaan menunjukan bahwa precision dan recall dari metode yang diusulkan mencapai 83% dan 91%. Hal ini membuktikan penggabungan Sentiment Analysis (SA) dan Time Interval Entropy (TIE) dapat mengoptimalkan performa sistem secara keseluruhan dalam mendeteksi Bot Spammer.Kata Kunci: bot spammer, twitter, sentiment analysis, polarity, entropy

Analisis Sentimen Masyarakat Terhadap Pandemi Covid-19 Pada Sosial Media Menggunakan Naïve Bayes Clasifier

“…Text mining dapat didefinisikan sebagai suatu proses untuk mengekstrak informasi yang berguna dari suatu sumber data melalui identifikasi dan eksplorasi pola tertentu [1]. Analisis sentimen atau opinion mining adalah studi komputational dari opini-opini orang, sentimen dan emosi melalui entitas atau atribut yang dimiliki yang diekspresikan dalam bentuk teks [2]. Analisis sentimen bisa digunakan untuk mencari nilai persentase sentimen positif, nilai presentasi sentimen negatif dan nilai presantase sentiment netral pada suatu produk, layanan, tokoh, lembaga, intitusi atau sebuah kondisi tertentu [3] Peneltian mengenai Analisis sentiment sebelumnya pernah dilakukan yang menganalisis Sentimen Twitter terhadap Bom Bunuh Diri di Surabaya 13 Mei 2018 menggunakan Pendekatan Support Vector Machine.…”

Deteksi Bot Spammer Twitter Berbasis Time Interval Entropy dan Global Vectors for Word Representations Tweet’s Hashtag

“…Hashtag memiliki tujuan tertentu yang diinginkan. Analisis cooccurence atau kedekatan terhadap setiap tweet dengan faktor kedua ini dapat dilakukan untuk mendeteksi bot akun (Aditya, Hani'ah, Fitrawan, Arifin, & Purwitasari, 2016). Setiap tweet akan melewati proses klasifikasi dengan machine learning untuk ditentukan apakah akun yang membuat tweet tersebut termasuk bot akun atau tidak.…”

“…Adapun proses yang dilakukan yaitu mengganti huruf kapital menjadi nonkapital, menghapus karakter non-ASCI selain karakter hashtag atau tanda pagar "#", dan stemming tweet untuk mengembalikan kata-kata pada tweet ke bentuk kata dasarnya. Pada penelitian ini, kami menggunakan framework Sastrawi yang tersedia dalam bahasa Python untuk melakukan preprocessing (Aditya, Hani'ah, Fitrawan, Arifin, & Purwitasari, 2016). Setelah dilakukan preprocessing, selanjutnya dilakukan mapping.…”

Sentiment Analysis of Beauty Product E-Commerce Using Support Vector Machine Method

“…By applying this method, expected to get the best final result, and it can be seen which direction the public sentiment has been processed [9]. Sentiment analysis is a computational study that collects opinions from individuals expressed in the form of the text [10]. Based on this background, this research aims to classify Amazon beauty product reviews and measure the accuracy of sentiment analysis.…”