Klasifikasi Jenis Kriminalitas pada Media Online di Indonesia Menggunakan Support Vector Machine (Studi Kasus: Kompas)

Abstract

Perkembangan teknologi informasi telah meningkatkan volume berita kriminal di media online secara signifikan, namun penyajiannya yang tidak terstruktur menghambat akses informasi kategori kejahatan secara sistematis. Penelitian ini bertujuan untuk merancang model klasifikasi teks berbasis algoritma Support Vector Machine (SVM) serta mengevaluasi efektivitasnya dalam mengelompokkan berita kriminal pada portal Kompas.com. Penelitian ini menggunakan 16.702 artikel berita kriminal dari rentang tahun 2021 hingga 2025. Data tersebut dipetakan ke dalam sembilan kategori kejahatan standar Badan Pusat Statistik (BPS) dan melalui serangkaian proses prapemrosesan teks yang mendalam, meliputi case folding, data cleaning, tokenization, stopword removal, filtering, dan stemming. Representasi data dilakukan menggunakan pembobotan Term Frequency-Inverse Document Frequency (TF-IDF). Implementasi algoritma SVM dilakukan menggunakan kelas LinearSVC pada pustaka Scikit-learn yang merepresentasikan SVM dengan kernel linear yang dioptimasi dengan teknik HalvingGridSearchCV untuk menemukan parameter regularisasi (C) yang paling optimal. Evaluasi dilakukan melalui tiga skenario pembagian data, yakni 70:30, 80:20, dan 90:10. Hasil penelitian menunjukkan bahwa skenario 80:20 memberikan performa terbaik dengan parameter optimal C = 0,1. Model ini berhasil mencapai tingkat akurasi sebesar 92%, presisi 92%, recall 85%, dan f1-score 88%. Secara visual, confusion matrix menunjukkan kemampuan model yang stabil dalam membedakan kategori kejahatan meskipun terdapat tantangan pada kelas minoritas. Kesimpulannya, algoritma SVM terbukti efektif dalam klasifikasi berita kriminal di Indonesia sehingga mampu mendukung penyajian informasi kriminalitas yang lebih terstruktur bagi masyarakat maupun pihak-pihak terkait.