KLASIFIKASI SPAMMER PADA TWITTER BERDASARKAN

PERILAKU PENGGUNA MENGGUNAKAN

ALGORITME C5.0

TANTRIYANA PUSPA ANGGITASARI

DEPARTEMEN ILMU KOMPUTER

FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM
INSTITUT PERTANIAN BOGOR
BOGOR
2016
 PERNYATAAN MENGENAI SKRIPSI DAN
SUMBER INFORMASI SERTA PELIMPAHAN HAK CIPTA

Dengan ini saya menyatakan bahwa skripsi berjudul Klasifikasi Spammer

pada Twitter Berdasarkan Perilaku Pengguna Menggunakan Algoritme C5.0
adalah benar karya saya dengan arahan dari komisi pembimbing dan belum
diajukan dalam bentuk apa pun kepada perguruan tinggi mana pun. Sumber
informasi yang berasal atau dikutip dari karya yang diterbitkan maupun tidak
diterbitkan dari penulis lain telah disebutkan dalam teks dan dicantumkan dalam
Daftar Pustaka di bagian akhir skripsi ini.
Dengan ini saya melimpahkan hak cipta dari karya tulis saya kepada Institut
Pertanian Bogor.
Bogor, Januari 2016

Tantriyana Puspa Anggitasari

NIM G64134036
 ABSTRAK
TANTRIYANA PUSPA ANGGITASARI. Klasifikasi Spammer pada Twitter
Berdasarkan Perilaku Pengguna Menggunakan Algoritme C5.0. Dibimbing oleh
IMAS SUKAESIH SITANGGANG dan HUSNUL KHOTIMAH.

Twitter menjadi salah satu media sosial yang populer di dunia maya. Twitter
dapat dijadikan sarana penyebaran informasi dalam status pengguna, hal ini
membuka peluang bagi beberapa pihak untuk menyebarkan spam. Penelitian ini
bertujuan untuk mengidentifikasi karakteristik perilaku spammer di Twitter.
Penelitian ini difokuskan terhadap perilaku pengguna bukan pada isi konten tweet
pada Twitter. Algoritme klasifikasi yang digunakan adalah algoritme C5.0 yang
menghasilkan model klasifikasi pohon keputusan dan berbasis aturan. Klasifikasi
dilakukan dengan data Twitter pada periode Januari 2015–Agustus 2015.
Penelitian ini menggunakan 11 atribut yang menunjukan perilaku pengguna
Twitter. Klasifikasi spammer menggunakan algoritme C5.0 telah berhasil
dilakukan. Untuk model berbasis pohon keputusan menghasilkan 4 aturan dengan
akurasi 91%, sedangkan model berbasis aturan menghasilkan 3 buah aturan
dengan akurasi 91%. Atribut yang muncul pada aturan pohon keputusan dan
berbasis aturan adalah usia akun dan rataan tweet per hari.

Kata kunci: C5.0, klasifikasi spammer, perilaku spammer, spammer, Twitter

ABSTRACT

TANTRIYANA PUSPA ANGGITASARI. Classification of Spammers on the

Twitter Based on User Behaviour using C5.0 Algorithm. Supervised by IMAS
SUKAESIH SITANGGANG and HUSNUL KHOTIMAH.

Twitter has became one of the most popular social media in the internet.
Twitter could be used as a facility to spread message in the form of user status.
This situation opens the chance for some people to spread spam. The purpose of
this research is to identify the spammer‟s behaviors on Twitter. This research
focused on user‟s behavior rather than the tweet content of Twitter. The
classification algorithm used is C5.0 that produces tree-based classification model
and rule based model. Classification was performed on the Twitter data in the
period of January 2015–August 2015. This research used 11 attributes that
indicate user‟s behavior. Spammer classification that uses the C5.0 algorithm was
successfully performed. Decision tree based models produce 4 classification rules
with accuracy 91%, whereas the rule based model produce 3 classification rules
with accuracy 91%. The attributes that appeared on the tree and the rule based
model are user‟s age and average tweet per day.

Keywords: behavior of spammers, C5.0, spammer classification, spammer,

Twitter
KLASIFIKASI SPAMMER PADA TWITTER BERDASARKAN
PERILAKU PENGGUNA MENGGUNAKAN
ALGORITME C5.0

TANTRIYANA PUSPA ANGGITASARI

Skripsi
sebagai salah satu syarat untuk memperoleh gelar
Sarjana Komputer
pada
Departemen Ilmu Komputer

DEPARTEMEN ILMU KOMPUTER

FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM
INSTITUT PERTANIAN BOGOR
BOGOR
2016
Penguji:

1. Muhammad Asyhar Agmalaro, SSi, MKom

Judul Skripsi : Klasifikasi Spammer pada Twitter Berdasarkan Perilaku Pengguna
Menggunakan Algoritme C5.0
Nama : Tantriyana Puspa Anggitasari
NIM : G64134036

Disetujui oleh

Dr Imas Sukaesih Sitanggang, SSi, MKom Husnul Khotimah, SKomp, MKom

Pembimbing I Pembimbing II

Diketahui oleh

Dr Ir Agus Buono, MSi, MKom

Ketua Departemen

Tanggal Lulus:
 PRAKATA

Puji dan syukur penulis panjatkan kepada Allah subhanahu wa ta’ala atas
segala karunia-Nya sehingga penulis dapat menyelesaikan skripsi yang berjudul
“Klasifikasi Spammer pada Twitter Berdasarkan Perilaku Pengguna
Menggunakan Algoritme C5.0”.
Skripsi ini disusun sebagai syarat mendapatkan gelar Sarjana Komputer
(SKomp) pada Program Sarjana Ilmu Komputer di Fakultas Matematika dan Ilmu
Pengetahuan Alam Institut Pertanian Bogor (IPB). Penulis menyadari bahwa
selama mengerjakan tugas akhir ini mengalami berbagai kendala. Akan tetapi
berkat kerja sama dan bimbingan dari berbagai pihak dan atas berkat rahmat Allah
subhanahu wa ta’ala kendala yang dihadapi dapat diselesaikan dengan baik.
Untuk itu penulis ucapkan terima kasih kepada mamah, papah, serta seluruh
keluarga atas segala dukungan, doa dan kasih sayangnya. Penulis juga ucapkan
terima kasih kepada Ibu Dr Imas Sukaesih Sitanggang, SSi, MKom dan Ibu
Husnul Khotimah, SKomp, MKom selaku pembimbing yang telah sabar, tulus,
dan ikhlas meluangkan waktu, tenaga, dan pikiran dalam memberikan bimbingan,
motivasi, arahan dan saran yang bermanfaat bagi penulis. Penulis juga ucapkan
terima kasih kepada Bapak Muhammad Asyhar Agmalaro, SSi, MKom selaku
penguji atas saran dan masukan yang diberikan. Begitu pula rasa terima kasih
penulis kepada rekan-rekan Program Alih Jenis angkatan 8 yang menjadi bagian
hidup penulis selama menempuh pendidikan di Program Alih Jenis Ilmu
Komputer FMIPA IPB.
Semoga karya ilmiah ini bermanfaat.

Bogor, Januari 2016

Tantriyana Puspa Anggitasari

 DAFTAR ISI

DAFTAR TABEL ix
DAFTAR GAMBAR ix
DAFTAR LAMPIRAN ix
PENDAHULUAN 1
Latar Belakang 1
Perumusan Masalah 2
Tujuan Penelitian 2
Manfaat Penelitian 2
Ruang Lingkup Penelitian 2
TINJAUAN PUSTAKA 3
Microblogging 3
Twitter 3
Spammer Detection 3
Algoritme C5.0 4
METODE 5
Tahapan Penelitian 5
Pengumpulan Data 6
Praproses Data 6
Pembangunan Model Klasifikasi menggunakan Algoritme C5.0 7
Perhitungan Akurasi 7
Analisis dan Evaluasi Model Klasifikasi 8
Lingkungan Pengembangan 8
HASIL DAN PEMBAHASAN 8
Pengumpulan Data 8
Praproses Data 10
Pembuatan Model Klasifikasi menggunakan Algoritme C5.0 14
Karakteristik Spammer 15
Analisis dan Evaluasi Model Klasifikasi 17
SIMPULAN DAN SARAN 18
Simpulan 18
 Saran 18
DAFTAR PUSTAKA 18
RIWAYAT HIDUP 29
 DAFTAR TABEL

1 Confusion matrix hasil klasifikasi 7

2 Hasil seleksi pada fungsi getUser 11
3 Contoh beberapa dataset pada fungsi userTimeline 11
4 Hasil seleksi pada fungsi userTimeline 11
5 Hasil penggabungan fungsi getUser dan userTimeline 12
6 Penggunaan atribut dalam model klasifikasi 15
7 Confusion matrix untuk model deteksi spammer 17

DAFTAR GAMBAR
1 Tahapan penelitian 6
2 Tahapan praproses data 6
3 Tampilan aplikasi pengelolaan pada Twitter 9
4 Model pohon keputusan untuk klasifikasi spammer dan nonspammer 15
5 Sebaran usia akun 16
6 Sebaran rataan tweet per hari 17

DAFTAR LAMPIRAN
1 Fungsi pada package twitteR yang digunakan pada penelitian 20
2 Dataset sebanyak 120 akun Twitter yang digunakan pada penelitian 21
3 Contoh penggunaan algoritme C5.0 23
4 Visualisasi sebaran data 9 atribut yang tidak muncul pada tree 26
 PENDAHULUAN

Latar Belakang

Twitter merupakan sebuah situs microblogging yang populer (Hu et al.

2013). Twitter menjadi salah satu media sosial yang populer di Indonesia.
Kemenkominfo (2013) menyatakan bahwa pengguna Internet di Indonesia
mencapai 63 juta orang, 95% di antaranya mengakses media sosial. Indonesia
menempati peringkat ke-5 untuk pengguna terbanyak Twitter. Twitter digandrungi
oleh semua usia mulai dari remaja hingga dewasa. Twitter dapat mengirimkan
pesan pendek dengan jumlah karakter maksimal 140 karakter. Pesan tersebut biasa
disebut dengan tweet. Twitter dikategorikan sebagai microblogging service.
Microblogging merupakan blog yang memungkinkan penggunanya untuk
mengirimkan sebuah pesan teks (status) yang singkat, baik untuk dilihat semua
orang atau kelompok terbatas yang dipilih oleh pengguna tersebut.
Twitter menyediakan informasi begitu besar. Ada banyak informasi dalam
Twitter yang sifatnya up to date dan informasi tersebut sangat bermanfaat bagi
sebagian orang. Namun, meskipun menarik dengan adanya kemudahan dalam
penyebaran berita dan memungkinkan pengguna untuk membahas berita tersebut
dalam status mereka, layanan ini juga membuka peluang adanya spam
(Benevenuto et al. 2010).
Penelitian deteksi spammer pada Twitter dapat dilakukan 2 cara yaitu
berdasarkan perilaku pengguna dan berdasarkan konten isi dari tweet. Penelitian
yang menyajikan deteksi spammer berdasarkan konten terdapat pada penelitian
Ghosh et al. (2012) mengenai fungsi search pada Twitter yang memudahkan
pencarian trending topic dan berita terkini yang menarik perhatian spammer.
Tweet spammer biasanya mendorong pengguna untuk menyebarkan informasi
dengan cara mengirim tautan URL dengan tujuan agar pengguna Twitter
mengunjungi URL (Song et al. 2011) selain itu spammer juga melakukan banyak
mention ke akun non followers. Hasil penelitian Grier et al. (2011) juga
menyebutkan bahwa Twitter spam lebih berhasil memaksa pengguna untuk
mengklik URL dibanding email spam dengan rasio klik 0.13%. Perkembangan
spamming tidak terhenti hanya mengirimkan tweet sampah, tetapi sudah menjurus
ke arah penipuan. Spam yang terkirim kepada pengguna dapat menimbulkan
ketidaknyamanan bagi penerimanya. Hal ini dapat diantisipasi dengan mendeteksi
akun yang merupakan spammer.
Benevenuto et al. (2010) telah melakukan deteksi spammer berdasarkan
perilaku pengguna dan konten atribut dengan menggunakan algoritme Support
Vector Machine. Penelitian tersebut fokus terhadap pendeteksian spammer pada
tweets yang termasuk spam. Data yang digunakan dalam penelitian ini adalah
tweets yang mengemukakan trending topic pada tahun 2009, yaitu Michael
Jakcson‟ death, Susan Boyle‟s emergence, dan #musicmonday. Atribut yang
digunakan dalam penelitian ini meliputi 39 atribut berupa konten tweets dan 23
atribut tentang perilaku user. Pada penelitian ini, berhasil mengenal kelas spammer
sebesar 70% dan 96% kelas nonspammer. Penelitian ini berfokus pada klasifikasi
spammer berdasarkan perilaku pengguna bukan pada isi konten tweet pada Twitter.
Karena dalam melakukan penyeleksian berdasarkan perilaku pengguna lebih
 2

mudah dan lebih cepat dibandingkan penyeleksian berdasarkan konten atribut.

Penyeleksian berdasarkan konten atribut perlu memperhatikan satu per satu kata
dalam teks yang di posting oleh user, sedangkan penyeleksian berdasarkan perilaku
hanya melihat sifat dari user seperti jumlah followers, jumlah following, jumlah
tweet, rasio followers per following, usia akun pengguna, rataan tweet per hari,
jumlah reply, rataan, median, minimum, dan maksimum selang waktu antara tweet.
Model klasifikasi dibangun dengan menggunakan bahasa R dengan package C50.
Algoritme C5.0 adalah salah satu algoritme data untuk melakukan klasifikasi
dengan pemodelan pohon keputusan (decision tree) dan pemodelan berbasis aturan
(rule based). Model klasifikasi ini diharapkan dapat memberikan informasi
karakteristik perilaku pengguna spammer dan nonspammer.

Perumusan Masalah

Perumusan masalah dalam penelitian ini adalah:

1 Bagaimana mengklasifikasikan spammer atau nonspammer pada Twitter
degan menggunakan algoritme C5.0?
2 Bagaimana karakteristik perilaku spammer pada akun Twitter?

Tujuan Penelitian

Tujuan penelitian ini adalah:

1 Membuat model klasifikasi perilaku akun spammer atau nonspammer di
Twitter menggunakan metode pohon keputusan dan berbasis aturan.
2 Menentukan karakteristik perilaku spammer berdasarkan pemodelan algoritme
C5.0.

Manfaat Penelitian

Penelitian ini bisa menghasilkan pemodelan klasifikasi spammer dan dapat

mengetahui karakteristik perilaku pengguna akun spammer atau nonspammer
pada Twitter.

Ruang Lingkup Penelitian

Ruang lingkup pada penelitian ini antara lain:

1 Penelitian ini dilakukan pada media sosial Twitter dengan jumlah 120 akun
Twitter.
2 Penelitian ini fokus terhadap perilaku user, bukan pada isi konten tweet pada
Twitter dan menggunakan 11 atribut yaitu jumlah followers, jumlah following,
jumlah tweet, rasio followers per following, usia akun pengguna, rataan tweet
per hari, jumlah reply, rataan, median, minimum, dan maksimum selang waktu
antara tweet.
3 Implementasi algoritme C5.0 yang tersedia pada R.
 3

TINJAUAN PUSTAKA

Microblogging

Microblogging adalah salah satu jenis komunikasi. Pengguna dapat menulis

dan mempublikasikan status (kurang dari 200 karakter) yang dikirim melalui
instant messaging, email atau web (Java et al. 2007). Salah satu microblog yang
banyak dipakai oleh pengguna adalah Twitter. Situs web jejaringan sosial yang
memiliki fitur microblog selain Twitter adalah Facebook dan MySpace. Beberapa
layanan microblogging menawarkan fitur seperti pengaturan privasi untuk
mengontrol siapa saja yang dapat membaca microblog pengguna. Penelitian ini
hanya mengambil data yang bersifat publik.

Twitter

Twitter merupakan salah satu contoh microblogging yang banyak dipakai.

Pada Twitter, pengguna tidak hanya bisa membaca tweet tetapi pengguna bisa
memberi tautan tweet melalui antarmuka situs web, pesan singkat, atau melalui
aplikasi untuk perangkat lunak seluler. Twitter mengalami perkembangan yang
sangat pesat. Twitter dapat mengirimkan pesan pendek dengan jumlah karakter
maksimal 140 karakter untuk setiap tweet (Benevenuto et al. 2010).
Twitter menyediakan Application Programming Interface (API) yang
memudahkan setiap orang untuk mengambil data dari Twitter. Twitter API terdiri
dari dua komponen yang berbeda: REST dan SEARCH API. REST API
memungkinkan developer Twitter untuk mengakses data core Twitter (tweet,
timeline, user data). SEARCH API digunakan untuk membuat query tweet,
termasuk menyediakan informasi tentang trending topics (Wang 2010).

Spammer Detection

Spam adalah pesan atau email yang dikirimkan secara massal tanpa
dikehendaki oleh penerimanya. Arti dari “secara massal“ yaitu pesan yang
merupakan bagian dari sekumpulan pesan yang memiliki isi yang sama
(Spamhaus 2004). Tindakan menyebarkan spam disebut dengan spamming,
sedangkan orang yang melakukan spamming disebut spammer.
Drucker et al. (1999) mengartikan spam merupakan pesan yang tidak
diinginkan oleh penerimanya tanpa menyebutkan secara detail apa pesan tersebut
dikirimkan secara massal atau tidak. Fitur yang digunakan pada penelitian
Benevenuto et al. (2010) adalah jumlah followers, jumlah following, rasio
folowers per following, jumlah tweet, usia akun pengguna, jumlah mention, jumlah
tweet yang dibalas user, jumlah tweet user membalas seseorang, jumlah followers
yang di dalam following, jumlah tweet yang diterima following, jumlah tweet yang
di post per hari dan per minggu, nilai rataan jangka waktu antara tweet, nilai
median jangka waktu antara tweet, nilai minimum jangka waktu antara tweet, dan
nilai maksimum jangka waktu antara tweet.
4

Algoritme C5.0

Algoritme C5.0 merupakan perluasan dari algoritme C4.5. Algoritme C5.0

adalah salah satu algoritme klasifikasi yang terdapat dalam data mining yang
khususnya diterapkan pada decision tree. C5.0 adalah algoritme klasifikasi yang
dapat menangani kumpulan data besar. Govindarajan (2007) menyatakan bahwa
algoritme C5.0 meningkatkan kecepatan sekitar 90% antara 5.7 sampai dengan
240 kali lebih cepat daripada C4.5. Algoritme C5.0 lebih baik daripada C4.5
dalam hal akurasi, kecepatan dan memori (Rulequest 2012). Menurut Patil et al.
(2012) pemilihan atribut dalam algoritme C5.0 diproses dengan menghitung
besarnya nilai information gain. Dalam memilih atribut untuk memecahkan objek
harus dipilih atribut yang menghasilkan information gain paling besar.
Model klasifikasi yang digunakan adalah pohon keputusan (decision tree)
dan berbasis aturan (rule based). Model pohon keputusan merupakan suatu
diagram yang mirip dengan struktur pohon seperti flowchart yang masing-masing
simpul merupakan atribut, masing-masing cabang menunjukan nilai dari atribut,
dan masing-masing simpul daun menunjukan label kelas. Pada model berbasis
aturan terdiri atas kondisi if-then yang merupakan penurunan dari model pohon
keputusan (Han et al. 2012).
Algoritme Generate_decision_tree adalah sebagai berikut:
1 D, merupakan dataset yang telah ditentukan label kelasnya.
2 Attribute_list, merupakan atribut kandidat yang menggambarkan suatu dataset.
3 Attribute_selection_method, merupakan suatu prosedur untuk memilih atribut
yang mengolah tuple yang diberikan berdasarkan kelas masing-masing.
Algoritme klasifikasi pohon keputusan adalah sebagai berikut (Han et al. 2012):
1 Buat simpul N.
2 Jika tuple di D memiliki kelas yang sama yaitu C maka jadikan N sebagai
simpul daun dan beri label C.
3 Jika attribute_list kosong, maka jadikan simpul N sebagai simpul daun dan
diberi label dengan kelas yang terbanyak.
4 Terapkan attribute_selection_attribute untuk mendapatkan atribut split yang
terbaik.
5 Beri label simpul N dengan atribut split.
6 Jika atribut split bernilai diskret dan dapat dipisahkan, maka
7 Attribute_list <- attribute_list – atribut split
8 Untuk setiap nilai j dari atribut split, yaitu
 Buat Dj menjadi kumpulan data tuple untuk memenuhi hasil j.
 Jika Dj kosong, maka tambahkan simpul daun dengan label dari kelas yang
terbanyak.
 Selainnya, tambah cabang baru dengan memanggil fungsi
Generate_decision_tree (Dj, attribute_list) ke simpul N.
9 Kembali ke N.

Pada algoritme ini, pemilihan atribut menggunakan information gain

paling besar. Nilai information gain terbesar ditentukan sebagai atribut pemisah
untuk simpul N. Atribut ini meminimumkan informasi yang dibutuhkan untuk
mengklasifikasi tuple dalam partisi yang dihasilkan. Dalam pemilihan ukuran
 5

atribut yang didefinisikan pada atribut A dapat dilihat pada Persamaan 1 (Han et al.
2012):

Info(D) = -∑ l (1)

dimana Pi adalah peluang kelas dalam output seperti pada kelas |Ci.D|/|D|. Atribut
A memiliki nilai tertentu (a1, a2, …, av). Atribut A dapat digunakan pada partisi D
ke dalam v subset (D1,D2,…,Dv), dimana Dj berisi sample pada D yang bernilai aj
pada A. Jika A dipilih sebagai atribut tes (sebagai contoh atribut untuk split), maka
subset ini akan berhubungan pada cabang dari node himpunan D, untuk
mendapatkan informasi nilai subset dari atribut A tersebut maka digunakan
formula pada Persamaan 2 (Han et al. 2012):

D (2)
InfoA(D) = -∑ D
D

Untuk mendapatkan nilai gain yang diperoleh pada atribut A dapat dilihat pada
Persamaan 3 sebagai berikut:

Gain (A) = Info(D) – InfoA(D) (3)

Gain(A) menyatakan bahwa ada berapa banyak cabang yang akan diperoleh pada
A. Atribut A dengan information gain tertinggi, maka Gain(A) dipilih sebagai
atribut pada node.

METODE

Penelitian ini difokuskan terhadap perilaku pengguna sebanyak 11 atribut,

dan tidak menggunakan isi konten tweet pada Twitter. Data yang digunakan dalam
penelitian ini adalah data yang diambil dari Twitter menggunakan Twitter API.
Akun yang digunakan terdiri dari 99 akun perorangan dan 21 akun instansi atau
lembaga. Data berjumlah 120 data dan diperoleh selama periode Januari 2015
sampai dengan Agustus 2015.

Tahapan Penelitian

Tahapan-tahapan penelitian yang dilakukan dalam penerapan algoritme

C5.0 untuk mengklasifikasikan data Twitter pada Gambar 1.
6

Gambar 1 Tahapan penelitian

Pengumpulan Data

Tahap pertama adalah pengumpulan data. Data Twitter digunakan untuk

mendapatkan informasi yang dibutuhkan pada penelitian. Pengambilan data
Twitter menggunakan perangkat lunak Rstudio 0.98.1102 yang didukung dengan
package twitteR. Package twitteR merupakan sebuah package yang dapat
terhubung dengan Twitter API. Package twitteR memerlukan beberapa nilai
atribut yang dibutuhkan yaitu consumer key, consumer secret, acces token, dan
acces token secret, untuk mendapatkan nilai atribut tersebut harus melakukan
koneksi R terlebih dahulu pada Twitter. Setelah berhasil membuat koneksi dari R
ke Twitter API, langkah yang dilakukan selanjutnya adalah:
1 Mencari akun spammer dan nonspammer sebanyak 120 data akun pengguna
yang terdiri dari 99 akun perorangan dan 21 akun instansi atau lembaga pada
Twitter.
2 Setiap akun diberi label secara manual yaitu spammer dan nonspammer.
3 Mengambil data dari R yang sudah terhubung dengan Twitter API. Fungsi pada
package twitteR yang digunakan pada penelitian ini dapat dilihat pada
Lampiran 1.

Praproses Data

Tahapan ini melakukan pemilihan data yang digunakan pada penelitian.

Tahapan praproses data dapat dilihat pada Gambar 2.

Gambar 2 Tahapan praproses data

Praproses data dibagi menjadi 2 tahap, yaitu seleksi data dan transformasi
data. Fungsi pada package twitteR yang digunakan pada penelitian ini adalah
fungsi getUser dan fungsi userTimeline. Fungsi getUser menyediakan data umum
 7

tentang suatu akun seperti nama akun dan jumlah tweet, sedangkan fungsi
userTimeline menyediakan data tentang status yang pernah di posting oleh
pengguna. Data dari kedua fungsi ini diseleksi dan dilakukan transformasi untuk
mendapatkan atribut perilaku pengguna. Untuk setiap akun akan memiliki atribut
seperti jumlah followers, jumlah following, jumlah tweet, rasio followers per
following, usia akun pengguna, rataan tweet per hari, jumlah reply, rataan, median,
minimum, dan maksimum selang waktu antara tweet dengan memiliki 2 macam
label yaitu spammer dan nonspammer.

Pembangunan Model Klasifikasi menggunakan Algoritme C5.0

Tahap ini membangun model klasifikasi menggunakan algoritme C5.0.

Algoritme C5.0 bekerja untuk menghasilkan aturan-aturan klasifikasi dalam
bentuk pohon keputusan (decision tree) dan berbasis aturan (rule based).
Algoritme ini menggunakan ukuran information gain dalam membuat pohon
keputusan. Pembagian dataset pada penelitian ini sebesar 90% data latih dan 10%
data uji. Setelah pembagian dataset selesai dilakukan, pembangunan model
klasifikasi dilakukan menggunakan package C50.

Perhitungan Akurasi

Penelitian ini dibutuhkan beberapa alat ukur antara lain confusion matrix.
Confusion matrix mengandung informasi tentang hasil aktual dan prediksi dari
proses klasifikasi yang dilakukan oleh sistem (Han et al. 2012). Tabel 1
merupakan bentuk dari confusion matrix.

Tabel 1 Confusion matrix hasil klasifikasi

Kelas prediksi
Kelas aktual
Nonspammer Spammer
Nonspammer TP FN
Spammer FP TN

Keterangan sel dalam confusion matrix sebagai berikut:

 True Positive (TP), yaitu akun dari kelas nonspammer yang benar
diklasifikasikan sebagai nonspammer.
 True Negative (TN), yaitu akun dari kelas spammer yang benar diklasifikasikan
sebagai spammer.
 False Positive (FP), yaitu akun dari kelas spammer yang salah diklasifikasikan
sebagai nonspammer.
 False Negative (FN), yaitu akun dari kelas nonspammer yang salah
diklasifikasikan sebagai spammer.
Dengan menggunakan data hasil klasifikasi dalam confusion matrix dapat
menghitung nilai akurasi yang merupakan perbandingan dari akun yang
diklasifikasikan secara benar. Cara menghitung akurasi adalah (Han et al. 2012)
8
N (4)
Akurasi = N N

Selain dari pengukuran akurasi, evaluasi juga dilakukan terhadap sensitivity dan
specificity. Sensitivity adalah kemampuan model untuk mengenal kelas
nonspammer untuk mendapatkan nilai sensitivity adalah (Han et al. 2012)

Sensitivity = (5)
N

Specificity adalah kemampuan model untuk mengenal kelas spammer untuk

mendapatkan nilai specificity adalah (Han et al. 2012)

N (6)
Specificity = N

Analisis dan Evaluasi Model Klasifikasi

Tahap ini menganalisis dan mengevaluasi dataset Twitter dengan

menggunakan data Twitter yang baru. Data tersebut merupakan lapisan penjelas
yang diprediksi menggunakan algoritme C5.0.

Lingkungan Pengembangan

Spesifikasi perangkat keras dan perangkat lunak yang digunakan untuk

penelitian ini adalah sebagai berikut:
1 Perangkat keras berupa komputer personal dengan spesifikasi sebagai berikut
 Processor Intel® CoreTM i5-2410M CPU @2.30GHz
 RAM 6 GB
 Monitor LCD 14.0” HD
 Harddisk 512 GB HDD
2 Perangkat lunak:
 Sistem Operasi Windows 8.1
 Bahasa pemograman R versi 3.12
 RStudio versi 0.98.1102 dengan memanfaatkan package twitteR untuk
menghubungkan dengan Twitter API, package C5.0 untuk klasifikasi data,
package Caret untuk pembagian data latih dan data uji.

HASIL DAN PEMBAHASAN

Pengumpulan Data

Langkah pertama adalah membuat koneksi ke Twitter API dengan cara

membuat aplikasi pengelolaan pada Twitter terlebih dahulu di
https://apps.twitter.com/. Pada aplikasi ini terdapat consumer key (API key) dan
consumer secret (API secret). Consumer key dan consumer secret setiap aplikasi
berbeda-beda sehingga kedua key tersebut merupakan identitas aplikasi yang telah
 9

dibuat. Key tersebut diperlukan untuk melakukan authorization. Tampilan aplikasi

pengelolaan pada Twitter dapat dilihat pada Gambar 3.

Gambar 3 Tampilan aplikasi pengelolaan pada Twitter

Setelah tahap pembuatan aplikasi pengelolaan Twitter selesai dilakukan,
koneksi R ke Twitter API memerlukan package twitteR. Package twitteR
memerlukan 3 package yaitu RCurl, ROAuth, dan rjson. Koneksi ke Twitter
dilakukan melalui langkah-langkah:
 Ketika pengguna mengakses R melalui jaringan internet, server R akan
merespon dan memanggil library twitteR, untuk mengambil data Twitter.
Library(twitteR)
 Library twitteR melakukan otorisasi terlebih dahulu sebelum memanggil RCurl
untuk meminta sertifikasi hak otoritas. Package RCurl digunakan untuk
mengunduh fail pada „http://curl.haxx.se/ca/cacert.pem‟ dan
mengembalikan pada library twitteR dalam bentuk fail.
download.file(url=’http://curl.haxx.se/ca/cacert.pem’
,destfile=’cacert.pem’)
 Library ROAuth melakukan otorisasi dengan Twitter menggunakan sertifikat
yang telah dipanggil oleh library RCurl. Package ROAuth diperlukan untuk
proses authorization. Proses authorization memerlukan consumer key dan
consumer secret. Pada saat proses authorization, R secara otomatis membuka
browser untuk melakukan verifikasi dengan aplikasi Twitter dan muncul kode
numerik secara acak. Kode pada R untuk melakukan proses authorization
sebagai berikut:
requestURL<-
“https://api.twitter.com/oauth/request_token”
accesURL<-“https://api.twitter.com/oauth/acces_token”
#proses authorization
authURL<-https://api.twitter.com/oauth/authorize
consumerKey <- “Your Consumer Key”
consumerSecret <- “ Your Consumer Secret”
10

twitCred<-OAuthFactory$new(consumerKey=consumerKey,
consumerSecret=consumerSecret,
requestURL=requestURL,
accesURL=accesURL,
authURL=authURL)
 Pengguna memasukkan kode acak kemudian server menerima verifikasi
tersebut maka terhubunglah server dengan Twitter. Tahap verifikasi selesai,
fail disimpan dengan nama twitter_credentials. Setelah semua tahap selesai,
fail dapat langsung dipanggil tanpa harus melakukan tahapan dari awal.
Kode pada R sebagai berikut:
twitCred$handshake(cainfo=”cacert.pem”)
registerTwitterOAuth(twitCred)
save(list=”twitCred”,file=”twitteR_credentials”)

Tahap membuat koneksi R ke Twitter selesai dilakukan, kemudian mencari

akun spammer dan nonspammer sebanyak 120 data akun Twitter yang dapat
dilihat pada Lampiran 2. Data tersebut diambil secara manual kemudian setiap
akun diberi label secara manual yaitu spammer dan nonspammer.
Untuk menentukan label spammer atau nonspammer pada penelitian ini
hanya melihat 1 halaman pertama dari timeline pengguna tersebut, jika user
mengirimkan tweet ke banyak orang dengan teks yang sama dalam waktu yang
singkat, isi tweet hanya promosi, dan tweet berisi URL yang tidak jelas maka
user tersebut diberi label sebagai spammer. Setiap akun akan memiliki 11
atribut seperti jumlah followers, jumlah following, jumlah tweet, rasio followers
per following, usia akun pengguna, rataan tweet per hari, jumlah reply, rataan,
median, minimum, dan maksimum selang waktu antara tweet. Data ini akan
digunakan untuk mendapatkan informasi yang dibutuhkan pada penelitian, data
tersebut diperoleh dari Twitter API.

Praproses Data

Tahap pengumpulan data selesai dilakukan, kemudian dilakukan praproses

data. Tahap ini melakukan pemilihan atribut pada package twitteR yang terdapat
di R dan atribut tersebut digunakan pada penelitian. Tahap praproses data terdiri
atas 2 tahap, yaitu seleksi data dan transformasi data.

Seleksi Data
Seleksi data dilakukan untuk memilih atribut yang digunakan pada fungsi
getUser. Langkah pertama yang harus dilakukan adalah memasukkan satu per satu
nama user pada sintaks R. Kode pada sintaks R untuk memperoleh nilai atribut
yaitu getUser(“nama_akun”,cainfo=”cacert.pem), nama_akun
merupakan nama user yang dicari dan cacert.pem merupakan fail yang berisi
sertifikasi otoritas publik.
Fungsi getUser memiliki 13 atribut. Akan tetapi, tidak semua atribut
dibutuhkan dalam penelitian ini sehingga dipilih 4 nilai atribut. Atribut tersebut
dapat dilihat pada Tabel 2.
 11

Tabel 2 Hasil seleksi pada fungsi getUser

Fungsi Atribut Keterangan

followesCount Jumlah followers pengguna
friendsCount Jumlah following pengguna
getUser
Created Waktu akun dibuat
statusesCount Jumlah status pengguna

Transformasi Data
Tahap ini dilakukan penyeleksian atribut pada fungsi userTimeline. Kode
pada sintaks R untuk memperoleh atribut yaitu
userTimeline(“nama_akun”,n,cainfo=”cacert.pem). n adalah
banyaknya tweet yang diambil, maksimal jumlah tweet yang dapat dimasukkan
sebanyak 3200 tweets dan cacert.pem merupakan fail yang berisi otoritas publik.
Contoh hasil fungsi userTimeline seperti pada Tabel 3.

Tabel 3 Contoh beberapa dataset pada fungsi userTimeline

Text Favorite favoriteC replyToS created Truncated replyTo

1 Selamat Pa FALSE 4 NA 4/12/201 FALSE NA
2 Hai ka @S FALSE 2 NA 4/9/2015 FALSE NA
3 Hai ka @t FALSE 1 NA 4/9/2015 FALSE NA
4 Hai ka @y FALSE 0 NA 4/9/2015 FALSE NA
5 Hai ka @a FALSE 0 NA 4/9/2015 FALSE NA
6 Hai ka @h FALSE 0 NA 4/9/2015 FALSE NA
7 Hai ka @i FALSE 0 NA 4/9/2015 FALSE NA

Fungsi userTimeline memiliki 16 atribut, namun tidak semua atribut

dibutuhkan pada penelitian ini sehingga dipilih 2 atribut. Atribut tersebut dapat
dilihat pada Tabel 4.

Tabel 4 Hasil seleksi pada fungsi userTimeline

Fungsi Atribut Keterangan

Created Waktu status dibuat
userTimeline
replyToSN Screen name pengguna lain yang membalas status

Pada tahap ini selain melakukan penyeleksian atribut juga menggabungkan

fungsi getUser dan userTimeline yang sudah diseleksi sehingga setiap akun
memiliki 11 atribut. Hasil penggabungan dari kedua fungsi dapat dilihat pada
Tabel 5.
12

Tabel 5 Hasil penggabungan fungsi getUser dan userTimeline

Atribut Fungsi Sub fungsi

Nama akun getUser Name
Jumlah followers getUser followesCount
Jumlah following getUser friendsCount
Jumlah tweet getUser statusesCount
Rasio followers per following getUser followesCount,
friendsCount
Usia akun getUser Created
Rataan tweet per hari getUser Created
Rataan selang waktu antara tweet userTimeline Created
Median selang waktu antara tweet userTimeline Created
Minimum selang waktu antara tweet userTimeline Created
Maksimum selang waktu antara tweet userTimeline Created
Jumlah reply userTimeline Created

Atribut nama akun, jumlah followers, jumlah following, dan jumlah tweet
didapat secara otomatis ketika memanggil fungsi getUser, sedangkan 8 atribut
lainnya harus dilakukan pencarian dengan menggunakan fungsi getUser atau
userTimeline. Cara perhitungan nilai dari 8 atribut tersebut adalah:
 Menghitung rasio followers per following
Langkah pertama yang harus dilakukan adalah menghitung jumlah followers
dan jumlah following, kedua atribut tersebut bisa didapatkan secara otomatis
ketika memanggil fungsi getUser. Setelah mendapatkan kedua atribut lakukan
perhitungan rasio followers per following. Perhitungannya menggunakan rumus
pada Persamaan 7.

la ll (7)
Rasio followers per following =
la ll

 Menghitung usia akun

Tahap ini membutuhkan atribut created pada fungsi getUser, untuk
menghitung usia akun menggunakan tipe data POSIXct. Langkah pertama yang
harus dilakukan adalah melihat waktu akun pengguna dibuat pada atribut
created, kemudian lakukan perhitungan selisih waktu. Perhitungan untuk
mendapatkan usia akun menggunakan rumus pada Persamaan 8.

Usia akun = a – b (8)

dimana a adalah waktu melakukan pencarian data, sedangkan b adalah waktu

akun pengguna dibuat. Untuk mempermudah dilakukan operasi tanggal untuk
mendapatkan data usia akun yaitu as.POSIXct(“YYYY-MM-DD”).
 Menghitung rataan tweet per hari
Atribut yang digunakan untuk menghitung rataan tweet per hari adalah created
yang terdapat pada fungsi userTimeline, selanjutnya mencari berapa banyak
 13

tanggal unik yang ada pada atribut created. Setelah itu dilakukan perhitungan
rataan tweet per hari menggunakan rumus pada Persamaan 9.

∑ (9)
Rataan tweet per hari =

dimana n(ti) adalah banyaknya tweet pada tanggal ke-i, i merupakan indeks dari
tanggal dan n adalah jumlah tanggal unik.
 Menghitung nilai rataan, median, minimum, dan maksimum selang waktu
antara tweet
Atribut yang digunakan untuk menghitung selang waktu adalah created pada
fungsi userTimeline, kemudian hitung selisih tweet awal dan tweet akhir,
setelah nilai selisih didapat dilakukan perhitungan rataan selang waktu antara
tweet. Cara yang sama juga dilakukan untuk mendapatkan nilai median,
minimum, dan maksimum selang waktu antara tweet. Perhitungan rataan selang
waktu antara tweet menggunakan rumus pada Persamaan 10 sebagai berikut:

∑ - - (10)
Rataan selang waktu antara tweet = -

dimana tj adalah waktu status di posting, j merupakan indeks dari tanggal, dan
m merupakan banyaknya tweet dari pengguna.
Perhitungan minimum selang waktu antara tweet menggunakan rumus pada
Persamaan 11 sebagai berikut:

Minimum selang waktu antara tweet = a - -

(11)

Perhitungan maksimum selang waktu antara tweet menggunakan rumus pada

Persamaan 12 sebagai berikut:

Minimum selang waktu antara tweet = a a - -

(12)

Perhitungan median selang waktu antara tweet dapat dilihat dari nilai selisih
yang sudah didapat. Nilai median merupakan nilai tengah.
Kode untuk mendapatkan nilai rataan, median, minimum dan maksimum
selang waktu antara tweet, dengan menggunakan sintaks R yaitu:
#mencari nilai selisih
awal <- as.POSIXct(“nama_akun”$created[1])
for(i in 2:n){
akhir <- as.POSIXct(“nama_akun”$created[i])
temp <- awal-akhir
jeda[i-1] <- temp
awal <-akhir
#mencari nilai rataan, median, minimum, maksimum
Summary(jeda[i:n])
 Menghitung banyaknya jumlah reply
Atribut yang digunakan untuk menghitung jumlah reply adalah replyToSN pada
fungsi userTimeline. Langkah selanjutnya dilihat pada kolom replyToSN ada
14

berapa banyak yang berisi screen name pengguna lain. Kode untuk menghitung
jumlah reply dengan menggunakan sintaks R yaitu
length(which(“nama_akun”$replyToSN!=”NA”)).

Pembuatan Model Klasifikasi menggunakan Algoritme C5.0

Algoritme C5.0 diterapkan pada dataset Twitter dengan menghasilkan

model klasifikasi berupa pohon keputusan (decision tree) dengan 4 aturan dan
berbasis aturan (rule based) dengan 3 aturan, contoh penggunaan algoritme C5.0
seperti pada Lampiran 3. Algoritme C5.0 terdapat pada perangkat lunak RStudio
dengan package C50. Jumlah dataset pada Twitter sebanyak 120 data, sebelum
dibentuk klasifikasi dengan package C50 dilakukan partisi data latih dan data uji
secara acak dengan 90% dataset dijadikan sebagai data latih dan 10% dataset
dijadikan sebagai data uji.
Tahapan pembuatan model klasifikasi menggunakan algoritme C5.0
menggunakan sintaks R adalah sebagai berikut:
1 Membaca dataset menggunakan sintaks R yaitu
data <- read.csv(“D://hasil4.csv”)
set.seed(800)
2 Partisi data latih dan data uji
inTrain<-
createDataPartition(data$Label,p.90,list=FALSE)
training <- data[inTrain,]
testing <- data[-inTrain,]
3 Penerapan algoritme C5.0 untuk mendapatkan model tree dan model rule
based. Langkah selanjutnya membangun model tree sebagai berikut :
oneTree<-C5.0(Label~., data=training)
oneTree
summary(oneTree)
4 Melakukan prediksi menggunakan data uji untuk mendapatkan nilai akurasi,
sensitivity, dan specificity dari model pohon keputusan
oneTreePred<-predict(oneTree, testing)
oneTreeProbs<-predict(oneTree,testing,type=”prob”)
postResample(oneTreePred, testing$Label)
confusionMatrix(oneTreePred, testing$Label)
5 Membuat model berbasis aturan (rule based)
rules<-C5.0(Label~.,data=training,rules=TRUE)
Summary(rules)
6 Menghitung nilai akurasi menggunakan data uji, untuk melakukan prediksi
dengan model berbasis aturan (rule based)
postResample(predict(rules,testing),testing$Label)

Klasifikasi menggunakan algoritme C5.0 menghasilkan aturan pohon

keputusan (tree) seperti diberikan pada Gambar 4.
 15

Gambar 4 Model pohon keputusan untuk klasifikasi spammer dan nonspammer

Klasifikasi menggunakan algoritme C5.0 selain menghasilkan aturan pohon
keputusan (tree) juga menghasilkan aturan berbasis aturan (rule based) sebagai
berikut:
 IF usia akun > 925 hari(59) THEN Class nonspammer
 IF rataan tweet per hari ≤ 6.950495(46) THEN Class nonspammer
 I usia akun ≤ 925 hari AND rataan tweet per hari > 6.950495(45) THEN Class
spammer

Karakteristik Spammer

Hasil klasifikasi dari model pohon keputusan (tree) dan model berbasis
aturan (rule based) memiliki persamaan atribut dengan presentase yang berbeda.
Atribut tersebut dapat dilihat pada Tabel 6.

Tabel 6 Penggunaan atribut dalam model klasifikasi

Model
Atribut
Tree Rule based
Usia akun 100% 96.30%
Rataan tweet per hari 45.37% 84.26%

Pada Tabel 6, model pohon keputusan dan model berbasis aturan

menggunakan 2 atribut yaitu usia akun dan rataan tweet per hari. Atribut usia akun
memiliki hasil yang paling besar pada model klasifikasi. Pada model pohon
16

keputusan (tree), atribut usia akun sebesar 100%. Atribut ini menandakan bahwa
setiap pengecekan pada model pohon keputusan (tree) harus dimulai dari atribut
usia akun, dengan kata lain pada model tree sepenuhnya memerlukan atribut usia
akun. Pada atribut rataan tweet per hari tidak mencapai 100%, karena pada waktu
pengecekan lihat atribut usia akun terlebih dahulu, jika atribut usia akun ≤925 hari
maka dilakukan pengecekan pada rataan tweet per hari sebesar 45.37% dan
sisanya atribut usia akun >925 hari. Pada model berbasis aturan (rule based)
kedua atribut tidak mencapai 100% yang menandakan bahwa setiap aturan tidak
sepenuhnya memerlukan atribut usia akun atau rataan tweet per hari. Pada saat
melakukan deteksi spammer tidak perlu 11 atribut tetapi cukup dengan 2 atribut
yaitu usia akun dan rataan tweet per hari karena kelas nonspammer pada atribut
usia akun memiliki usia jauh lebih lama dan memiliki jumlah yang lebih sedikit
pada atribut rataan tweet per hari.
Grafik sebaran usia akun dapat dilihat pada Gambar 5 dan rataan tweet per hari
dapat dilihat pada Gambar 6. Dari gambar tersebut dapat dilihat bahwa usia akun
merupakan atribut yang cukup baik untuk memisahkan kelas spammer dan
nonspammer. Untuk visualisasi 9 atribut lainnya dapat dilihat pada Lampiran 4,
terlihat bahwa atribut-atribut tersebut tidak dapat memisahkan kelas spammer dan
nonspammer dengan baik. Contohnya pada visualisasi pada atribut jumlah
following, terlihat pada satu batang diagram histogram terjadi pencampuran warna
antara spammer dan nonspammer. Hal tersebut memperlihatkan bahwa terjadi
kemiripan antara nilai atribut tersebut pada kelas spammer dan nonspammer.

Gambar 5 Sebaran usia akun

 17

Gambar 6 Sebaran rataan tweet per hari

Analisis dan Evaluasi Model Klasifikasi

Evaluasi dilakukan terhadap algoritme C5.0 dengan menggunakan confusion

matrix. Presentase klasifikasi sesuai dengan kelasnya. Confusion matrix deteksi
spammer dengan menggunakan algoritme C5.0 dapat dilihat pada Tabel 7.

Tabel 7 Confusion matrix untuk model deteksi spammer

Kelas prediksi
Kelas aktual
Nonspammer Spammer
Nonspammer 7 0
Spammer 1 4

Pada Tabel 7, terdapat 1 data Twitter yang diklasifikasikan tidak benar. Pada
dataset Twitter telah diberi label sebagai spammer tetapi setelah dilakukan
klasifikasi data diprediksi sebagai nonspammer.
Evaluasi model juga dilakukan terhadap sensitivity dan specificity.
Sensitivity adalah kemampuan model dalam mengenal kelas nonspammer, nilai
sensitivity hasil klasifikasi adalah:

Sensitivity = 100 100 (11)

0

Specificity adalah kemampuan model untuk mengenal kelas spammer, nilai

specificity hasil klasifikasi adalah:

4 (12)
Specificity = 4 100 0
1

Hasil yang diperoleh dari data uji bahwa rancangan menggunakan algoritme
C5.0 memiliki tingkat akurasi sebesar 91%. Model lebih mengenal kelas
nonspammer, karena kelas nonspammer pada atribut usia akun memiliki usia jauh
18

lebih lama daripada kelas spammer dan memiliki jumlah yang lebih sedikit pada
rataan tweet per hari.

SIMPULAN DAN SARAN

Simpulan

Berdasarkan penelitian yang telah dilakukan, dapat disimpulkan beberapa

hal sebagai berikut:
1 Akurasi model keputusan dari data uji untuk klasifikasi akun spammer atau
nonspammer sebesar 91% dengan 4 aturan, sedangkan akurasi model berbasis
aturan (rule based) adalah sebesar 91% dengan 3 aturan.
2 Berdasarkan perilaku spammer yang mempengaruhi karakteristik klasifikasi
spammer adalah usia akun dan rataan tweet per hari.

Saran

Penelitian ini masih memiliki beberapa kekurangan. Penelitian selanjutnya

dapat melakukan deteksi spammer pada konten atribut, kemudian jumlah data bisa
ditambahkan untuk memaksimalkan hasil akurasi yang akan didapat. Pada proses
pelabelan spammer dan nonspammer diperlukan proses pembangunan sistem
identifikasi spammer dan nonspammer, untuk meningkatkan ketelitian dan
keakurasian hasil dan pengambilan data bisa melalui akun @spam.

DAFTAR PUSTAKA

Benevenuto F, Magno G, Rodrigues T, Almeida V. 2010. Detecting spammers on

twitter. Di dalam: CEAS 2010-Seventh annual Collaboration, Electronic
messaging, Anti Abuse and Spam Conference; 2010 July 13-14; Redmond,
Washington, US.
Drucker H, Wu D, Vapnik V. 1999. Support Vector Machine for Spam
Categorization dalam. Di dalam: IEEE Transaction on Neural Networks
[Internet]. 10(5): hlm 1048-1054. [diunduh 2015 Juni 27]. Tersedia pada:
http://www.site.uottawa.ca/~diana/csi5180/ paper-itnn_1999_09_1048.pdf.
Ghosh S, Viswanath B, Kooti F, Sharma N, Korlam G, Benevenuto V, Ganguly N,
Gummadi K. 2012. Understanding and combating link farming in the twitter
social network. Di dalam: In Proceedings of World Wide Web Conference
Committee; 2012 April 16-20; Lyon, France.
Govindarajan M. 2007. Text Mining Technique for Data Mining Application. Di
dalam: International Journal of Computer, Electrical, Automation, Control and
Information Engineering.
Grier C, Thomas K, Song D, Paxson V. 2011. Suspended accounts in retrospect:
An analysis of twitter spam. Di dalam: In Proceedings of ACM SIGCOMM
conference on Internet measurement conference; 2011 November 2-4; Berlin,
Germany.
 19

Han J, Kamber M, Pei J. 2012. Data Mining: Concepts and Techniques. 3rd ed.
United States of America: Morgan Kaufman Publisher.
Hu X, Tang J, Zhang Y, Liu H. 2013. Social Spammer Detection in
Microblogging. Di dalam: Proceedings of the Twenty-Third International Joint
Conference on Artificial Intelligence.
Java A, Finin T, Tseng B, Song X. 2007. Why We Twitter: Understanding
Microblogging Usage and Communities.
[Kemenkominfo] Kementerian Komunikasi Informatika. 2013. Kominfo:
pengguna internet di Indonesia 63 juta orang. [Internet]. [diunduh 2015 Juni
27]. Tersedia pada:
http://kominfo.go.id/index.php/content/detail/3415/%20Kominfo+:+Pengguna+
Internet+di+Indonesia+63+Juta+Orang/0/berita_satker.
Patil N, Lathi R, Chitre V. 2012. Customer card classification based on C5.0 and
CART algorithms. Di dalam: International Journal of Enggineering Research
and Applications ; 2012 July-August. 2 (4):164-167.
Rulequest. 2012. C5.0: An Informal Tutorial. [Internet]. [diunduh 2015 November
23]. Tersedia pada: https://www.rulequest.com/see5-unix.html.
Song J, Lee S, Kim J. 2011. Spam Filtering in Twitter using Sender Receiver
Relationship. Di dalam: Dept. of CSE, POSTECH; Republic of Korea.
Spamhaus. 2004. The Definition of Spam. [Internet]. [diunduh 2015 Mei 27].
Tersedia pada: https://www.spamhaus.org/consumer /definition.
Wang AH. 2010. Detecting spam bots in online social networking sites. Di dalam:
A Machine Learning Approach. 2010. hlm 335-342.
20

Lampiran 1 Fungsi pada package twitteR yang digunakan pada penelitian

Fungsi Atribut Keterangan Tipe data

getUser description Deskripsi pengguna Char
getUser statusesCount Jumlah status pengguna Numerik
getUser followersCount Jumlah followers pengguna Numerik
getUser favoritesCount Jumlah status yang difavoritkan Numerik
getUser friendsCount Jumlah following pengguna Numerik
getUser URL URL yang terkait dengan Char
pengguna
getUser name Nama akun pengguna Char
getUser created Waktu akun pengguna dibuat Datetime
getUser screenname Screen name pengguna Char
getUser location Lokasi pengguna Char
getUser id ID pengguna Char
getUser listedCount Berapa kali pengguna muncul Char
dalam daftar umum
getUser followRequestCount Jumlah pengguna lain yang Numerik
mem-follow
userTimeline text Status pengguna Char
userTimeline favorite Apakah status ini menjadi Boolean
favorit
userTimeline favoritedCount Jumlah favorit terhadap status Numerik
tersebut
userTimeline replyToSN Screenname pengguna lain yang Char
membalas status
userTimeline created Waktu status dibuat Datetime
userTimeline truncated Apakah status ini terpotong Char
userTimeline replyToUID ID pengguna lain yang Char
membalas status
userTimeline id ID status Char
userTimeline statusSource Perantara sumber pengguna Char
untuk tweet
userTimeline screenname Screenname pengguna yang Char
memasang status
userTimeline retweetCount Berapa kali status tersebut di Numerik
retweet
userTimeline isRetweet True jika merupakan status yang Boolean
me-retweet
userTimeline retweeted True jika merupakan status yang Boolean
di-retweet
userTimeline longitude Koordinat garis bujur dari status Char
yang di posting
userTimeline latitude Koordinat garis lintang dari Char
status yang di posting
userTimeline replyToSID ID pengguna lain yang Char
membalas status
 21

Lampiran 2 Dataset sebanyak 120 akun Twitter yang digunakan pada penelitian

No Akun Label No Akun Label

1 Aisadip Nonspammer 61 CoecuCahyati Spammer
2 Arya_permadi Nonspammer 62 kemendag Nonspammer
3 ariza_fajar Nonspammer 63 gilangmsp Nonspammer
4 adhit_yap Nonspammer 64 DelinaFauziah Spammer
5 kompascom Nonspammer 65 TelkomPromo Nonspammer
6 IcaHans Spammer 66 EgaAuliania Spammer
7 Anditaaaw Nonspammer 67 TinnaSintia Spammer
8 sayna_az Spammer 68 Goodgrow_Ks Spammer
9 BernataLatipah Spammer 69 kaskus Nonspammer
10 Cheppiiyy Nonspammer 70 HariTerlanjur Spammer
11 chesariapuspan Nonspammer 71 meida_adinda Spammer
12 CintaCllara Spammer 72 infoBMKG Nonspammer
13 DennySaputro16 Nonspammer 73 kiran_chandra1 Spammer
14 dindin_pril Nonspammer 74 KAI121 Nonspammer
15 danitapratiwi Nonspammer 75 Mmelani2 Spammer
16 ebehebeh Nonspammer 76 deanMukti Nonspammer
17 estimulyawati Nonspammer 77 Mutilestarii Spammer
18 faikarzakky Nonspammer 78 Fathyanurul Nonspammer
19 meyrenata27 Spammer 79 NidaSri_Andini Spammer
20 firdaushuda Nonspammer 80 Shaunshata Nonspammer
21 GalangMeilasa Nonspammer 81 NadiraPermana Spammer
22 CucuTresna Spammer 82 NaddaYullia Spammer
23 gitalistyaa Nonspammer 83 PanggilVina1 Spammer
24 galaratama Nonspammer 84 MittaDwinda Nonspammer
25 Itothagam Nonspammer 85 rizma_rohima1 Spammer
26 juliusGdimas Nonspammer 86 Allendiar Nonspammer
27 litarindiani Nonspammer 87 sonialunna88 Spammer
28 panggilpipi1 Spammer 88 Wputrasejati Nonspammer
29 MhdYons_ Nonspammer 89 Veronicawrlta Spammer
30 MarieaLiem Nonspammer 90 Vitaplankton Spammer
31 DiyaanaAullia Spammer 91 Wolf_X9 Spammer
32 MenikNugraeny Nonspammer 92 Ambimannyu Spammer
33 fw6955 Spammer 93 Nessyalvioriza Nonspammer
34 nurshintaaa Nonspammer 94 Pradityareza Nonspammer
35 nundaayu Nonspammer 95 MRanoTryAstra Nonspammer
36 purnomo_eko Nonspammer 96 Sheilashabilaa Nonspammer
37 Fany_Herliani Spammer 97 YulliYr Spammer
38 resturosalani Nonspammer 98 Aulyadwiw Nonspammer
39 rahmatsetyaji Nonspammer 99 PanggilWanda1 Spammer
40 Sahadhewa Nonspammer 100 Anggrainims Nonspammer
41 NaimaHastari Spammer 101 repbulikaonline Nonspammer
42 SiskaTaurinaF Nonspammer 102 Cristiisarah Spammer
22

No Akun Label No Akun Label

43 JogjaUpdate Nonspammer 103 liputan6dotcom Nonspammer
44 shellanurandika Nonspammer 104 Am67Riska Spammer
45 tentrioktaviani Nonspammer 105 detikcom Nonspammer
46 TommySetyono Nonspammer 106 EmaMatina Spammer
47 tio_staycool Nonspammer 107 tvOneNews Nonspammer
48 VanoDaniel Nonspammer 108 okezonenews Nonspammer
49 Azizah_Rhma222 Spammer 109 blogger_jateng Spammer
50 zmachmobile Nonspammer 110 azizah_rhma31 Spammer
51 zanukoston Nonspammer 111 Metro_TV Nonspammer
52 alya_putri25 Spammer 112 AuraMaheera Spammer
53 tribunjogja Nonspammer 113 KompasTV Nonspammer
54 AliisaTina Spammer 114 lenaunna Spammer
55 AlinaLiania Spammer 115 CintaLiinda Spammer
56 indosat Nonspammer 116 CintaAnndiina Spammer
57 azizah_rhma61 Spammer 117 Jogja24jam Nonspammer
58 bei70xxz Spammer 118 gojekindonesia Nonspammer
59 triindonesia Nonspammer 119 JoeliaMarpaung Spammer
60 CinAuliania Spammer 120 Harian_jogja Nonspammer
 23

Lampiran 3 Contoh penggunaan algoritme C5.0

Langkah pertama yang harus dilakukan dalam klasifikasi menggunakan
algoritme C5.0 yaitu siapkan dataset Twitter yang akan diklasifikasikan. Dataset
dapat dilihat pada Tabel L3.1.
Tabel L3.1Contoh dataset kecil

Usia akun Rataan tweet per hari Label Pembagian data

1 >925 ≤6.95 Nonspammer Data latih
2 ≤925 ≤6.95 Nonspammer Data latih
3 ≤925 >6.95 Spammer Data latih
4 ≤925 >6.95 Spammer Data latih
5 >925 >6.95 Nonspammer Data latih
6 >925 >6.95 Nonspammer Data latih
7 ≤925 >6.95 Spammer Data uji
8 >925 ≤6.95 Nonspammer Data uji
9 >925 >6.95 Nonspammer Data uji
10 ≤925 >6.95 Spammer Data uji

Data dibagi menjadi 6 data latih dan 4 data uji secara acak, kemudian tentukan
label dari Tabel L3.1, selanjutnya tentukan nilai information gain total dari atribut
tersebut. Nilai information gain total yaitu

Information gain total = l l

dimana 4 didapatkan dari jumlah nonspammer, 2 didapatkan dari jumlah spammer

dari label dan 6 didapatkan dari jumlah total atribut kelas.
Setelah itu cari information gain masing-masing bagian dari atribut selain
label, dengan cara yang sama seperti mencari information gain total. Hasilnya
dapat dilihat pada Tabel L3.2.
24

Lampiran 3 Lanjutan
Table L3.2 Hasil information gain pada masing-masing atribut

Jumlah Nonspammer Spammer Information gain

Total 6 4 2 0.92301

Usia akun - - - -

>925 3 3 0 0

≤ 925 3 1 2 0.92301

Rataan - - - -
tweet per
hari

>6.95 2 2 0 0

≤6.95 4 2 2 1

Selanjutnya mencari gain dari masing-masing atribut, untuk menentukan akar

utama dari decision tree. Nilai gain sebagai berikut:

Gain = - -
Keterangan:

 0.92301 merupakan nilai information gain total

 3/6, 3 didapatkan dari jumlah nonspammer, dan 6 dari jumlah label
 3/6, 3 didapatkan dari jumlah spammer, dan 6 dari jumlah label
 3/6 × 0.92301, 0.92301 didapatkan dari nilai information gain dari rataan
tweet per hari
 Dan seterusnya

Langkah selanjutnya cari nilai gain yang paling tinggi pada Tabel L3.3, sehingga
didapatkan akar yang pertama, dan untuk mendapatkan labelnya di dapat dari
melihat nilai nonspammer atau spammer dari atribut usia akun. Nilai gain terbesar
sudah didapat, kemudian baru dapat menghasilkan pohon keputusan. Karena nilai
nonspammer atau spammer di atribut usia akun ≤925 hari masih belum jelas,
maka dicari akar selanjutnya yaitu rataan tweet per hari. Untuk mendapatkan
akurasi pada dataset dilakukan klasifikasi data uji dengan data latih, selanjutnya
gunakan rumus sebagai berikut:
 25

Lampiran 3 Lanjutan

N
Akurasi = N N

Table L3.3 Hasil gain masing-masing atribut

Jumlah Nonspammer Spammer Information gain Gain

Total 6 4 2 0.92301 -

Usia akun - - - - 0.461505

>925 3 3 0 0 -

≤ 925 3 1 2 0.92301 -

Rataan - - - - 0.26301
tweet per
hari

>6.95 2 2 0 0 -

≤6.95 4 2 2 1 -
26

Lampiran 4 Visualisasi sebaran data 9 atribut yang tidak muncul pada tree

Gambar L4.1 Sebaran data atribut jumlah followers berdasarkan kelas

Gambar L4.2 Sebaran data atribut jumlah following berdasarkan kelas

Gambar L4.3 Sebaran data atribut jumlah tweet berdasarkan kelas

 27

Lampiran 4 Lanjutan

Gambar L4.4 Sebaran data atribut rasio followers per following berdasarkan kelas

Gambar L4.5 Sebaran data atribut maksimum selang waktu antara tweet
berdasarkan kelas

Gambar L4.6 Sebaran data atribut median selang waktu antara tweet berdasarkan
kelas
28

Lampiran 4 Lanjutan

Gambar L4.7 Sebaran data atribut minimum selang waktu antara tweet
berdasarkan kelas

Gambar L4.8 Sebaran data atribut rataan selang waktu antara tweet berdasarkan
kelas

Gambar L4.9 Sebaran data atribut jumlah reply berdasarkan kelas

 29

RIWAYAT HIDUP

Penulis dilahirkan di Cilacap pada tanggal 12 September 1992 dari ayah

Sunyoto dan ibu Sri Purwantiningsih. Penulis adalah putri kedua dari tiga
bersaudara. Tahun 2007 penulis lulus SMA Negeri 1 Cilacap dan pada tahun yang
sama penulis lulus seleksi masuk Universitas Gadjah Mada Program Diploma
Komputer dan Sistem Informasi. Setelah menempuh pendidikan program Diploma
penulis melanjutkan pendidikan tingkat sarjana pada Program Alih Jenis Ilmu
Komputer FMIPA IPB angkatan ke 8.