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

Abstract

Bot spammer merupakan penyalahgunaan user dalam menggunakan Twitter untuk menyebarkan pesan spam sesuai dengan keinginan user. Tujuan spam mencapai trending topik yang ingin dibuatnya. Penelitian ini mengusulkan deteksi bot spammer pada Twitter berbasis Time Interval Entropy dan global vectors for word representations (Glove). Time Interval Entropy digunakan untuk mengklasifikasi akun bot berdasarkan deret waktu pembuatan tweet. Glove digunakan untuk melihat co-occurrence kata tweet yang disertai Hashtag untuk proses klasifikasi menggunakan Convolutional Neural Network (CNN). Penelitian ini menggunakan data API Twitter dari 18 akun bot dan 14 akun legitimasi dengan 1.000 tweet per akunnya. Hasil terbaik recall, precision, dan f-measure yang didapatkan yaitu 100%; 100%, dan 100%. Hal ini membuktikan bahwa Glove dan Time Interval Entropy sukses mendeteksi bot spammer dengan sangat baik. Hashtag memiliki pengaruh untuk meningkatkan deteksi bot spammer. Spam spammers are users' misuse of using Twitter to spread spam messages in accordance with user wishes. The purpose of spam is to reach the required trending topic. This study proposes detection of bot spammers on Twitter based on Time Interval Entropy and global vectors for word representations (Glove). Time Interval Entropy is used to classify bot accounts based on the tweet's time series, while glove views the co-occurrence of tweet words with Hashtags for classification processes using the Convolutional Neural Network (CNN). This study uses Twitter API data from 18 bot accounts and 14 legitimacy accounts with 1000 tweets per account. The best results of recall, precision, and f-measure were 100%respectively. This proves that Glove and Time Interval Entropy successfully detects spams, with Hash tags able to increase the detection of bot spammers.

Dice Similarity and TF-IDF for New Student Admissions Chatbot

“…Recall and precision methods are utilized in the process of self-measurement. The level of success that a system has in finding information is referred to as its recall, and the matching of a piece of data with the necessary information is referred to as its precision [1] [9] [10] [11]. In equation 3, you can see the equation for recall, and in equation 4, you can see the equation for precision.…”

TF-IDF Weighting to Detect Spammer Accounts on Twitter based on Tweets and Retweet Representation of Tweets

“…Informasi merupakan hal yang sangat dibutuhkan pada saat ini, terutama pada media digital atau dalam jejaring internet. Menurut hasil survey yang telah dilakukan oleh Asosiasi Penyelenggara Jasa Internet Indonesia (APJII) tahun 2016, media sosial merupakan konten yang paling populer diakses dalam jaringan internet yakni 97,4% dari seluruh internet [1]. Saat ini, online social network (OSN) telah menjadi rutinitas sehari-hari masyarakat umum.…”

N-Gram Feature for Comparison of Machine Learning Methods on Sentiment in Financial News Headlines

“…Examples of deleted terms are 'its', 'again', 'for', 'myself', 'his', and so on [10]. Steaming is the process of returning terms to their basic words [11]. For example, "plans" becomes "plan", "growing" becomes "grow".…”

“…Performance evaluation in this study uses a confusion matrix. Performance evaluations based on the confusion matrix include precision, recall, and f1measure [11] [29]. (3)…”