Analisis Sentimen Masyarakat Indonesia Terkait Konten Deepfake Pada Platform X Menggunakan Algoritma SVM

Muhammad Reza Maulana; Agung Nugroho; Asep Suprianto

doi:10.47134/jacis.v6i1.180

Authors

Muhammad Reza Maulana Universitas Pelita Bangsa
Agung Nugroho Universitas Pelita Bangsa
Asep Suprianto Universitas Pelita Bangsa

DOI:

https://doi.org/10.47134/jacis.v6i1.180

Keywords:

Analisis Sentimen, Deepfake, Support Vector Machine, TF-IDF, Lexicon Based

Abstract

Maraknya penyebaran konten deepfake di platform media sosial memunculkan kekhawatiran tentang kemungkinan adanya disinformasi dan manipulasi informasi di ranah digital. Platform media sosial X menjadi salah satu lokasi utama bagi masyarakat untuk menyampaikan pandangan mereka tentang fenomena ini. Penelitian ini bertujuan untuk menganalisis pandangan masyarakat Indonesia mengenai deepfake di platform X dan menilai kinerja algoritma Support Vector Machine (SVM) dalam mengklasifikasikan sentimen. Data diperoleh dengan teknik crawling menggunakan kata kunci “deepfake” pada periode Januari 2024 hingga Juni 2025, menghasilkan 2.116 tweet dan 1.841 data bersih setelah dilakukan preprocessing. Pelabelan data dilakukan dengan pendekatan lexicon-based, dengan ekstraksi fitur menggunakan TF-IDF. Model klasifikasi menggunakan SVM dengan kernel linear serta pembagian data training dan testing dengan rasio 80:20. Evaluasi model menggunakan confusion matrix dengan metrik accuracy, precision, recall, dan F1-score. Hasil penelitian menunjukkan bahwa pendapat masyarakat lebih banyak didominasi oleh sentimen negatif. Model SVM mencatat akurasi 80,76%, presisi 68,81%, recall 66,96%, dan F1-score 67,87%, yang menunjukkan performa klasifikasi pada tingkat sedang dalam skema pelabelan berbasis leksikon. Hasil ini dapat digunakan sebagai dasar untuk memantau opini publik terkait fenomena deepfake serta mendukung pengembangan strategi literasi digital di media sosial

References

[1] Q. He, S. Zhang, Y. Cai, W. Yuan, L. Ma, and K. Yu, “A Survey on Exploring Real and Virtual Social Network Rumors: State-of-the-Art and Research Challenges,” ACM Comput. Surv., vol. 57, no. 7, Feb. 2025, doi: 10.1145/3716498. DOI: https://doi.org/10.1145/3716498

[2] A. A. Khan, A. A. Laghari, S. A. Inam, S. Ullah, M. Shahzad, and D. Syed, “A survey on multimedia-enabled deepfake detection: state-of-the-art tools and techniques, emerging trends, current challenges & limitations, and future directions,” Discover Computing, vol. 28, Apr. 2025, doi: 10.1007/s10791-025-09550-0. DOI: https://doi.org/10.1007/s10791-025-09550-0

[3] G. Widjaja, “Deepfake Dan Masa Depan Kebenaran: Implikasi Etis Dan Sosial,” Berajah Journal, vol. 5, no. 2, 2025.

[4] “Digital 2024: Indonesia - DataReportal - Global Digital Insights.” Accessed: Jan. 23, 2026. [Online]. Available: https://datareportal.com/reports/digital-2024-indonesia

[5] J. A. Santiko and S. Bahri, “Analisis Wacana Pada Fenomena Pengunaan Artificial Intelligence (Ai) Dalam Konten Pemilu: Studi Kasus Konten Deepfake Soeharto Mengajak Untuk Memilih Partai Golkar Pada Media Sosial Twitter (X),” INNOVATIVE: Journal Of Social Science Research, vol. 4, no. 3, pp. 13215–13231, 2024.

[6] R. Raman et al., “Fake news research trends, linkages to generative artificial intelligence and sustainable development goals,” Heliyon, vol. 10, no. 3, Jan. 2024, doi: 10.1016/j.heliyon.2024.e24727. DOI: https://doi.org/10.1016/j.heliyon.2024.e24727

[7] N. A. Sharma, A. B. M. S. Ali, and M. A. Kabir, “A review of sentiment analysis: tasks, applications, and deep learning techniques,” Int. J. Data Sci. Anal., Jul. 2024, doi: 10.1007/s41060-024-00594-x. DOI: https://doi.org/10.1007/s41060-024-00594-x

[8] P. D. Michailidis, “A Comparative Study of Sentiment Classification Models for Greek Reviews,” Big Data and Cognitive Computing, vol. 8, no. 9, Sep. 2024, doi: 10.3390/bdcc8090107. DOI: https://doi.org/10.3390/bdcc8090107

[9] J. E. Br Sinulingga and H. C. K. Sitorus, “Analisis Sentimen Masyarakat terhadap Film Horor Indonesia Menggunakan Metode SVM dan TF-IDF,” Jurnal Manajemen Informatika (JAMIKA), vol. 14, no. 1, pp. 42–53, Apr. 2024, doi: 10.34010/jamika.v14i1.11946. DOI: https://doi.org/10.34010/jamika.v14i1.11946

[10] S. A. Gulo, A. A. Pertiwi, S. P. S. Nasution, and H. Syahputra, “Deteksi Deepfake Dalam Citra Menggunakan Convolutional Neural Network (CNN),” JATI (Jurnal Mahasiswa Teknik Informatika), vol. 9, no. 5, Oct. 2025. DOI: https://doi.org/10.36040/jati.v9i5.14896

[11] S. A. Nugraha, “Penerapan Lexicon Based Untuk Analisis Sentimen Masyarakat Indonesia Terhadap Danantara,” JATI (Jurnal Mahasiswa Teknik Informatika), vol. 9, no. 3, Jun. 2025. DOI: https://doi.org/10.36040/jati.v9i3.13836

[12] M. Kumar, L. Khan, and H. T. Chang, “Evolving techniques in sentiment analysis: a comprehensive review,” PeerJ Comput. Sci., vol. 11, Jan. 2025, doi: 10.7717/peerj-cs.2592. DOI: https://doi.org/10.7717/peerj-cs.2592

[13] S. A. Rismawan and Y. Syahidin, “Implementasi Website Berita Online Menggunakan Metode Crawling Data Dengan Bahasa Pemrograman Python,” Jurnal Teknik Informatika dan Sistem Informasi, vol. 10, no. 3, pp. 167–178, Sep. 2023.

[14] Y. MZ, J. E. Bororing, and N. Fuadiah, “Penerapan Metode K-Nearest Neighbor Dan Decision Tree Untuk Analisis Sentimen (Studi Kasus Mario Dandi),” Indonesian Journal of Information Technology (IJITECH), vol. 1, no. 1, 2023, doi: 10.71155/fcy1h865. DOI: https://doi.org/10.71155/fcy1h865

[15] Stefanni, Zulfachmi, Zulkipli, and A. Saputra, “Analisis Sentimen Pengguna X Terhadap Kebocoran Data Pribadi Menggunakan Algoritma Naïve Bayes Classifier,” Jurnal Bangkit Indonesia, vol. 14, no. 1, pp. 32–40, Mar. 2025. DOI: https://doi.org/10.52771/bangkitindonesia.v14i1.434

[16] M. H. Mahendra, D. T. Murdiansyah, and K. M. Lhaksmana, “Analisis Sentimen Tweet COVID-19 Menggunakan Metode K-Nearest Neighbors dengan Ekstraksi Fitur TF-IDF dan CountVectorizer,” Dike : Jurnal Ilmu Multidisiplin, vol. 1, no. 2, pp. 37–43, Aug. 2023, doi: 10.69688/dike.v1i2.35. DOI: https://doi.org/10.69688/dike.v1i2.35

[17] C. V. Angkoso, M. A. N. Thrisna, B. D. Satoto, and A. Kusumaningsih, “Optimasi Klasifikasi Sentimen Menggunakan Random Forest dengan Preprocessing K-Means Clustering dan SMOTE,” JEPIN (Jurnal Edukasi dan Penelitian Informatika), vol. 10, no. 3, Dec. 2024.

[18] Regina, T. H. Saragih, and D. Kartini, “Analisis Sentimen Brand Ambassador BTS Terhadap Tokopedia Menggunakan Klasifikasi Bayesian Network Dengan Ekstraksi Fitur TF-IDF,” JIP (Jurnal Informatika Polinema), vol. 9, no. 4, Aug. 2023, doi: 10.33795/jip.v9i4.1333. DOI: https://doi.org/10.33795/jip.v9i4.1333

[19] M. Al Khadafi, K. P. Kartika, and F. Febrinita, “Penerapan Metode Naïve Bayes Classifier Dan Lexicon Based Untuk Analisis Sentimen Cyberbullying Pada BPJS,” JATI (Jurnal Mahasiswa Teknik Informatika), vol. 6, no. 2, Sep. 2022, doi: 10.36040/jati.v6i2.5633. DOI: https://doi.org/10.36040/jati.v6i2.5633

[20] K. T. Putra, M. A. Hariyadi, and C. Crysdian, “Perbandingan Feature Extraction TF-IDF Dan BOW Untuk Analisis Sentimen Berbasis SVM,” Jurnal Cahaya Mandalika, vol. 3, no. 2, pp. 1449–1463, 2022.

[21] Y. A. Prasetyo, E. Utami, and A. Yaqin, “Pengaruh Komposisi Split Data Terhadap Performa Akurasi Analisis Sentimen Algoritma Naïve Bayes dan SVM,” Journal of Electrical Engineering and Computer (JEECOM), vol. 6, no. 2, 2024, doi: 10.33650/jeecom.v4i2. DOI: https://doi.org/10.33650/jeecom.v6i2.9188

[22] I. S. Aisah, B. Irawan, and T. Suprapti, “Algoritma Support Vector Machine (SVM) Untuk Analisis Sentimen Ulasan Aplikasi Al Qur’an Digital,” JATI (Jurnal Mahasiswa Teknik Informatika), vol. 7, no. 6, Dec. 2023, doi: 10.36040/jati.v7i6.8263. DOI: https://doi.org/10.36040/jati.v7i6.8263

[23] F. Abdusyukur, “Penerapan Algoritma Support Vector Machine (SVM) Untuk Klasifikasi Pencemaran Nama Baik Di Media Sosial Twitter,” KOMPUTA : Jurnal Ilmiah Komputer dan Informatika, vol. 12, no. 1, Apr. 2023, doi: 10.34010/komputa.v12i1.9418. DOI: https://doi.org/10.34010/komputa.v12i1.9418

[24] F. R. Valerian, M. Syarief, and D. A. Fatah, “Klasifikasi Tingkat Obesitas Menggunakan Metode GBM Dan Confusion Matrix,” JATI (Jurnal Mahasiswa Teknik Informatika), vol. 9, no. 2, Apr. 2025, doi: 10.36040/jati.v9i2.13062. DOI: https://doi.org/10.36040/jati.v9i2.13062

[25] M. L. B. Permadi and R. Gumilang, “Penerapan Algoritma CNN (Convolutional Neural Network) Untuk Deteksi Dan Klasifikasi Target Militer Berdasarkan Citra Satelit,” Jurnal Sosial dan Teknologi (SOSTECH), vol. 4, no. 2, Feb. 2024, doi: 10.59188/jurnalsostech.v4i2.1138. DOI: https://doi.org/10.59188/jurnalsostech.v4i2.1138

[26] M. Haikal, Martanto, and U. Hayati, “Analisis Sentimen Terhadap Penggunaan Aplikasi Game Online PUBG Mobile Menggunakan Algoritma Naive Bayes,” JATI (Jurnal Mahasiswa Teknik Informatika), vol. 7, no. 6, Dec. 2023, doi: 10.36040/jati.v7i6.8174. DOI: https://doi.org/10.36040/jati.v7i6.8174

[27] J. Li, T. Tang, W. X. Zhao, J. Y. Nie, and J. R. Wen, “Pre-Trained Language Models for Text Generation: A Survey,” ACM Comput. Surv., vol. 56, no. 9, Apr. 2024, doi: 10.1145/3649449. DOI: https://doi.org/10.1145/3649449