Deteksi Komentar Cyberbullying Pada TikTok Menggunakan Algoritma K-Nearest Neighbor (KNN)

Latar Belakang: Penelitian ini dilatarbelakangi oleh meningkatnya fenomena cyberbullying di platform media sosial, khususnya TikTok, yang dapat menimbulkan gangguan emosional dan tekanan mental bagi pengguna. Komentar bermuatan perundungan kerap kali disampaikan secara implisit, sehingga sulit terdeteksi secara manual. Oleh karena itu, diperlukan pendekatan otomatis berbasis machine learning untuk mengklasifikasikan komentar tersebut secara lebih efektif.
Tujuan: Penelitian ini bertujuan untuk mengevaluasi performa algoritma KNearest Neighbor (KNN) dalam mendeteksi dan mengklasifikasikan komentar cyberbullying.
Metode Penelitian: Metode yang digunakan pada penelitian ini yaitu klasifikasi menggunakan algoritma K-Nearest Neighbor (KNN), yang bertujuan untuk mengidentifikasi komentar cyberbullying, serta mengevaluasi akurasi klasifikasi berdasarkan metrik evaluasi dari confusion matrix.
Hasil: Penelitian ini menunjukkan bahwa algoritma K-Nearest Neighbor (KNN) mampu mengklasifikasikan komentar TikTok yang mengandung unsur cyberbullying dengan performa cukup baik. Nilai k optimal ditemukan pada k=7, dengan akurasi rata-rata 81,94%. Model juga menunjukkan hasil evaluasi yang memuaskan berdasarkan metrik confusion matrix.
Kesimpulan: Algoritma K-Nearest Neighbor (KNN) terbukti mampu mengklasifikasikan komentar TikTok bermuatan cyberbullying dengan akurasi yang cukup baik. Nilai k optimal ditemukan pada k=7, yang menghasilkan performa terbaik berdasarkan evaluasi rata-rata akurasi. Hasil ini menunjukkan bahwa model klasifikasi dengan pendekatan K-Nearest Neighbour (KNN) dapat digunakan secara efektif.