Deteksi Postingan Buzzer di Tiktok Menggunakan Model Klasifikasi Support Vector Machine (SVM) Berbasis Hibrida Fitur Stylometry

Perkembangan TikTok sebagai ruang diskusi publik meningkatkan kekhawatiran terhadap manipulasi opini oleh akun buzzer, sehingga diperlukan pendekatan komputasional untuk mendeteksi pola bahasa repetitif. Penelitian ini bertujuan mengklasifikasikan teks TikTok sebagai konten buzzer atau netizen autentik menggunakan Support Vector Machine (SVM) berbasis fitur hibrida stilometri dan kontekstual. Penelitian menggunakan pendekatan kuantitatif dengan desain eksperimental terhadap 1.157 teks yang dikumpulkan dari TikTok. Prapemrosesan meliputi pembersihan teks, tokenisasi, stemming, dan normalisasi bahasa gaul Indonesia. Fitur stilometri mencakup Type-Token Ratio, entropi Shannon, dan Hapax Legomena, yang digabungkan dengan fitur kontekstual melalui konkatenasi vektor. Klasifikasi menggunakan SVM dengan kernel Radial Basis Function. Naskah menjelaskan validasi silang lima lipatan dan pembagian data latih serta uji sebesar 92:8, terdiri atas 1.066 data latih dan 91 data uji. Kinerja yang dilaporkan mencapai akurasi 94,44%, presisi 97,30%, recall 96,00%, dan F1-score 96,64% untuk kelas buzzer. Analisis sistem mengklasifikasikan 72,3% dataset sebagai konten buzzer. Temuan tersebut menunjukkan bahwa integrasi keragaman bahasa dan informasi kontekstual berpotensi membantu identifikasi pola komunikasi repetitif. Pendekatan ini menyediakan dasar praktis untuk penyaringan teks TikTok secara otomatis. Namun, hasil klasifikasi perlu dipahami sebagai indikasi karakteristik konten menyerupai buzzer, bukan bukti definitif kampanye terorganisasi maupun verifikasi identitas dan motivasi akun, sehingga interpretasinya harus mempertimbangkan batasan pelabelan serta konteks komunikasi.