Deteksi Anomali Temporal dan Aktivitas Terkoordinasi pada Komentar Produk Parfum Menggunakan Long Short-Term Memory (LSTM)

Abstract

Perkembangan media sosial menyebabkan peningkatan interaksi pengguna dalam bentuk komentar pada unggahan produk. Namun, tingginya aktivitas komentar juga berpotensi memunculkan aktivitas tidak autentik dan komentar terkoordinasi. Penelitian ini bertujuan mendeteksi anomali temporal dan indikasi aktivitas komentar terkoordinasi pada komentar produk parfum di Instagram menggunakan pendekatan Bidirectional Long Short-Term Memory (BiLSTM) dan Cosine Similarity. Data penelitian diperoleh melalui proses scraping komentar Instagram yang kemudian diproses menggunakan tahapan preprocessing, transformasi time-series, dan pembentukan embedding teks menggunakan IndoBERT. Model BiLSTM digunakan untuk mempelajari pola temporal komentar dan mendeteksi lonjakan aktivitas berdasarkan nilai residual dan threshold anomaly. Hasil evaluasi model menunjukkan nilai MAE sebesar 0,3318, RMSE sebesar 1,9483, dan MAPE sebesar 16,37% yang menunjukkan performa prediksi model berada pada kategori baik. Proses deteksi anomali berhasil menemukan empat waktu anomali dengan lonjakan komentar signifikan. Selanjutnya, analisis cosine similarity menunjukkan adanya kelompok komentar dengan tingkat kemiripan teks tinggi, seperti komentar identik dan pengulangan kata tertentu secara berulang. Hasil penelitian menunjukkan bahwa pendekatan BiLSTM dan cosine similarity mampu mendeteksi pola aktivitas komentar yang tidak normal dan mengindikasikan adanya aktivitas komentar terkoordinasi pada media sosial.