Model Deteksi Konten Spam pada Media Sosial Melalui Pendekatan Pasangan Posting-Komentar Menggunakan LSTM-CNN Berbasis Attention dan Fitur Emoji

ANTONIUS RACHMAT CHRISMANTO, Drs. Edi Winarko, M.Sc., Ph.D.; Dr. Yohanes Suyanto, M.I.Kom.

2024 | Disertasi | S3 Ilmu Komputer

Salah satu dampak negatif media sosial adalah banyaknya konten spam yang mengakibatkan kerancuan informasi. Komentar spam menjadi penyebab masalah tersebut yang perlu ditangani. Namun ketersediaan dataset bahasa Indonesia masih jarang, penelitian-penelitian sebelumnya melakukan deteksi komentar spam tanpa mempertimbangkan konteks posting yang dikomentari, dan mengabaikan emoji yang justru banyak ditemukan di media sosial. Penelitian ini mengusulkan deteksi komentar spam melalui model deep learning untuk bahasa Indonesia berbasis konteks dengan pendekatan baru menggunakan data pasangan posting-komentar dan fitur emoji.

Tahapan penelitian ini diawali dengan pengumpulan data pasangan postingkomentar dari media sosial Instagram dan menghasilkan kontribusi dataset SpamID-Pair menggunakan bahasa Indonesia. Tahapan berikutnya dilakukan pre-processing dan pembentukan vektor TF-IDF untuk metode machine learning dan vektor embedding dengan data in-domain emoji aware menggunakan Fasttext, GloVe, Word2Vec, dan Emoji2Vec, serta penggunaan auxiliary features untuk metode deep learning. Model machine learning dibangun dengan pendekatan baru menggunakan ensemble machine learning dari 14 metode state-of-the-art dan arsitektur deep learning yang diberi nama EiAP-BC (Emoji Aware Inter-Attention Pair BiLSTM-CNN) yang berbasis inter-attention pair untuk mendapatkan konteksnya.

Dari hasil penelitian, penggunaan fitur emoji, penggunaan pasangan data posting-komentar pada model ensemble machine learning dan model deep learning EiAP-BC dapat diimplementasikan pada dataset SpamID-Pair dan terbukti meningkatkan performanya.  Model EiAP-BC mempunyai rerata akurasi mencapai 88?n 87% masing-masing untuk emoji teks dan emoji-simbol. Meskipun belum mengalahkan, model yang diusulkan mampu bersaing dengan Google BERT standar dengan rerata akurasi mencapai 89%. Lebih dari itu model yang diusulkan memiliki keunggulan dalam hal komputasi yang lebih ringan, arsitektur yang sederhana, pemrosesan yang lebih cepat, dan ukuran model lebih kecil. Selain itu, penelitian ini menghasilkan prototipe web services dan browser extension sebagai bentuk implementasi model yang dikembangkan.

Social media often suffers from spam content, which includes a lot of spam content that does not relate to the context of posts, making misleading information. Spam comments are a problem that needs to be addressed. Unfortunately, detecting spam in Bahasa Indonesia remains challenging due to limited public datasets, the complexity of spam content, and the large number of emojis, which require context to detect it accurately. This research tries to detect spam comments with a deep-learning model in the Indonesian language based on the post context using a new approach of post-comment pair data and emoji features.

The research methodology starts with collecting post-comment pairs from Instagram, resulting in a SpamID-Pair dataset. Subsequently, data pre-processing is carried out, and features are generated as TF-IDF vectors for machine learning. Additionally, embedding vectors are created using in-domain pre-trained emoji-aware models, including Fasttext, GloVe, Word2Vec, and Emoji2Vec, along with auxiliary features. These features are then processed by the ensemble machine learning of 14 state-of-the-art methods and a deep learning architecture known as the EiAPBC (Emoji Aware Inter-Attention Pair-BiLSTM CNN) Model. This model focuses on understanding the relevance and context between comments and posts.

From experiments and testing results, including emoji features, the post-comment pair approach in the ensemble machine learning model and the EiAP-BC model enable context-based spam detection. The proposed model achieves an average accuracy of 88% and 87% for text and symbol emoji on the SpamID-Pair dataset. Notably, this performance competes favorably with Transformers BERT, which reaches 89% average accuracy. Importantly, the model has advantages like lower computational demands, simpler architecture, quicker processing, and a smaller model size. In addition, this research also produces web services and browser extension prototypes, making the model accessible to users.

Kata Kunci : deteksi komentar spam, ensemble ML, EiAP-BC Model, media sosial