ARRIZQI, Sausan Berliana (2026) Klasifikasi Pengguna Fake dan Real pada Media Sosial Twitter Menggunakan Model Multimodal Berbasis LSTM dan MLP dengan Pendekatan Late Fusion. Undergraduate thesis, UNDIP: Fakultas Sains dan Matematika.

	Text 1. COVER.pdf Download (121kB)
	Text 3. HALAMAN PERNYATAAN KEASLIAN SKRIPSI.pdf Download (4MB)
	Text 4. HALAMAN PENGESAHAN.pdf Download (3MB)
	Text 5. ABSTRAK.pdf Download (190kB)
	Text 6. ABSTRACT.pdf Download (125kB)
	Text 7. KATA PENGANTAR.pdf Download (207kB)
	Text 9. DAFTAR ISI.pdf Download (265kB)
	Text 12. BAB I PENDAHULUAN.pdf Download (257kB)
	Text 17. DAFTAR PUSTAKA.pdf Download (233kB)

Abstract

Media sosial Twitter dengan 586 juta pengguna aktif merupakan sebuah ruang publik yang
memiliki peran dalam penyebaran informasi yang sangat cepat. Namun, keberadaan akun palsu
atau social spambots yang semakin berkembang di Twitter mampu meniru perilaku pengguna
asli sehingga menimbulkan tantangan dalam menjaga kualitas interaksi dan kredibilitas
informasi. Berbagai pendekatan deteksi akun palsu berbasis satu modalitas saja belum cukup
merepresentasikan karakteristik akun secara baik. Penelitian ini mengusulkan model
multimodal deep learning yang menggabungkan metadata akun dan konten teks tweet melalui
pendekatan late fusion untuk mengklasifikasikan pengguna fake dan real pada media sosial X.
Metadata akun diproses menggunakan Multi-Layer Perceptron (MLP), sedangkan konten teks
tweet diproses menggunakan Long Short-Term Memory (LSTM) dengan word embedding
GloVe Twitter. Dataset yang digunakan adalah Cresci-2017 dengan penanganan
ketidakseimbangan kelas menggunakan teknik random undersampling. Hasil penelitian
menunjukkan bahwa pada pendekatan berbasis metadata, XGBoost memperoleh F1-score
0,9950 dan F1-score sebesar MLP 0,9842, sedangkan pada pendekatan teks tweet, SVM
mencapai F1-score sebesar 0,9210 dan LSTM mencapai F1-score 0,9392. Pendekatan
multimodal menggabungkan kedua modalitas melalui late fusion dengan menghasilkan
performa terbaik yaitu accuracy sebesar 0,9920 dan weighted F1-score sebesar 0,9921, baik
pada multimodal deep learning maupun machine learning. Hasil menunjukkan bahwa
peningkatan hasil evaluasi pada pemodelan multimodal terhadap pemodelan unimodal
menunjukkan bahwa model mampu memberikan representasi yang lebih baik melalui
penggabungan informasi dari teks tweet dan metadata akun, serta mampu menjaga
keseimbangan performa antara kedua kelas pengguna.
Kata Kunci: Akun Palsu, Social Spambots, Media Sosial X, Multimodal Deep Learning,
LSTM, MLP, Late Fusion, Cresci-2017

Actions (login required)

View Item