Analisis Sentimen Keamanan Akun Dalam Game Mobile Legend Menggunakan Metode Naive Bayes

Prasetyo, Moehammad Tegar Eko (2025) Analisis Sentimen Keamanan Akun Dalam Game Mobile Legend Menggunakan Metode Naive Bayes. Undergraduate thesis, Politeknik Negeri Jember.

	Text (Abstract) E41211662 Moehammad Tegar Eko Prasetyo - Abstract.pdf - Submitted Version Available under License Creative Commons Attribution Share Alike. Download (8kB)
	Text (Bab 1 Pendahuluan) E41211662 Moehammad Tegar Eko Prasetyo - Pendahuluan.pdf - Submitted Version Available under License Creative Commons Attribution Share Alike. Download (18kB)
	Text (Daftar Pustaka) E41211662 Moehammad Tegar Eko Prasetyo - Daftar Pustaka.pdf - Submitted Version Available under License Creative Commons Attribution Share Alike. Download (91kB)
	Text (Laporan Lengkap) E41211662 Moehammad Tegar Eko Prasetyo - Laporan Lengkap.pdf - Submitted Version Restricted to Registered users only Download (3MB) | Request a copy

Abstract

Jumlah kasus peretasan, pencurian data pribadi, dan penyalahgunaan akun dalam game Mobile Legends terus meningkat, sehingga menimbulkan kekhawatiran yang signifikan terhadap keamanan akun pemain. Tujuan penelitian ini adalah untuk mengetahui bagaimana pengguna memandang dan menilai keamanan akun mereka menggunakan algoritma klasifikasi teks Naive Bayes. Teknik perayapan berdasarkan kata kunci keamanan seperti "peretasan akun ML" dan kata kunci serupa digunakan untuk mengumpulkan data dari platform media sosial, khususnya Twitter. Data tersebut kemudian dikategorikan ke dalam tiga kategori sentimen: positif, negatif, dan netral. Sebelum digunakan untuk pelatihan model, data menjalani tahap praproses untuk meningkatkan kualitas teks. Tahapan ini meliputi pembersihan teks, penggabungan kasus, tokenisasi, normalisasi, penghapusan stopword, dan stemming. Setelah pembobotan selesai, metode TF-IDF digunakan untuk menghasilkan nilai numerik yang menunjukkan tingkat kepentingan setiap kata dalam dokumen. Setelah pemrosesan data, model Naive Bayes dilatih menggunakan skor F1, akurasi, presisi, dan recall. Hasil evaluasi dilakukan pada tiga skenario volume data: 100, 300, dan seluruh dataset, baik tanpa maupun dengan metode oversampling SMOTE. Hasil menunjukkan bahwa penggunaan SMOTE secara signifikan meningkatkan kinerja model, terutama pada dataset kecil dengan distribusi kelas yang tidak seimbang. Sistem ini diimplementasikan sebagai aplikasi web berbasis Flask yang menawarkan grafik evaluasi dan awan kata untuk setiap kelas sentimen, sehingga menyederhanakan visualisasi dan interpretasi hasil analisis. Penelitian ini diharapkan dapat meningkatkan pemahaman tentang persepsi pengguna terhadap keamanan akun dalam permainan daring dan membantu pengembang menciptakan sistem keamanan akun yang lebih mencerminkan sentimen pengguna.

Actions (login required)

View Item