Repositori Institusi

Politeknik Siber dan Sandi Negara

  • Home
  • Information
  • News
  • Help
  • Librarian
  • Member Area
  • Select Language :
    Arabic Bengali Brazilian Portuguese English Espanol German Indonesian Japanese Malay Persian Russian Thai Turkish Urdu

Search by :

ALL Author Subject ISBN/ISSN Advanced Search

Last search:

{{tmpObj[k].text}}
No image available for this title
Bookmark Share

Text

Analisis deteksi akun robot pada Twitter menggunakan teknik machine learning

Febriora Nevia Pramitha - Personal Name; Girinoto - Personal Name; Raden Budiarto Hadiprakoso - Personal Name; Nurul Qomariasih - Personal Name;

Twitter merupakan media sosial yang populer dan memiliki perkembangan pesat dalam situs jejaring sosial. Popularitas dan sifatnya yang sangat terbuka menjadikan
Twitter sebagai target untuk dieksploitasi oleh program otomatis, yang disebut bot. Bot dapat digunakan untuk melakukan aktivitas seperti spamming, memanipulasi
diskusi, mengubah popularitas pengguna, mencemari konten, menyebarkan informasi yang salah, dan melakukan propaganda. Salah satu langkah yang dilakukan pemerintah dalam hal ini Badan Siber dan Sandi Negara (BSSN) terkhusus Subdirektorat Deteksi Sosiokultural untuk mengurangi dan menanggulangi pengaruh negatif dari akun botyaitu dengan menjalankan monitoring media sosial dan melakukan deteksi akun bot. Namun, BSSN belum memiliki alat untuk melakukan deteksi akun bot. Penelitian ini dilakukan untuk memberikan perspektif baru dalam mengkaji peluang suatu akun terdeteksi sebagai akun bot menggunakan teknik Machine Learning. Algoritme yang digunakan adalah Random Forest dan XGBoost. Data profil didapatkan dari Kaggle dan Subdirektorat Deteksi Sosiokultural. Penelitian dimulai dengan melakukan Exploratory Data Analysis (EDA) untuk mengetahui kondisi dataset yang digunakan. Tahap selanjutnya yaitu pemodelan yang mencakup proses feature engineering,feature selection, hyperparameter tuning, dan benchmarking algoritme. Hasil dari penelitian ini menunjukkan bahwa algoritme XGBoost lebih unggul dari Random Forest, dengan hasil akhir akurasi XGBoost 0.8908 sedangkan Random Forest 0.8762, sehingga algoritme yang digunakan untuk tahap selanjutnya adalah XGBoost. Tahap akhir dari penelitian ini yaitu implementasi model prediksi dalam bentuk dashboard menggunakan framework Flask dengan hasil analisis deteksi bot berupa skor probabilitas.


Availability

No copy data

Detail Information
Series Title
-
Call Number
2021 FEB a
Publisher
Bogor : Poltek SSN., 2021
Collation
xiv, 61 hlm
Language
Indonesia
ISBN/ISSN
--
Classification
--
Content Type
-
Media Type
-
Carrier Type
-
Edition
--
Subject(s)
Machine - Learning
Twitter
bot
Specific Detail Info
-
Statement of Responsibility
Febriora Nevia Pramitha
Other version/related

No other version available

File Attachment
No Data
Comments

You must be logged in to post a comment

Repositori Institusi
  • Information
  • Services
  • Librarian
  • Member Area

About Us

Search

start it by typing one or more keywords for title, author or subject

Keep SLiMS Alive Want to Contribute?

© 2025 — Senayan Developer Community

Powered by SLiMS
Select the topic you are interested in
  • Computer Science, Information & General Works
  • Philosophy & Psychology
  • Religion
  • Social Sciences
  • Language
  • Pure Science
  • Applied Sciences
  • Art & Recreation
  • Literature
  • History & Geography
Icons made by Freepik from www.flaticon.com
Advanced Search
Where do you want to share?