INVESTIGASI DAN ANALISIS FORENSIK DIGITAL PADA PERCAKAPAN GRUP WHATSAPP MENGGUNAKAN NIST SP 800-86 dan SUPPORT VECTOR MACHINE
DOI:
https://doi.org/10.14421/csecurity.2020.3.2.2193Keywords:
WhatsApp, SVM, Forensik Gemerak, Klasifikasi, Kejahatan SiberAbstract
WhatsApp merupakan platform instant messaging yang populer di Indonesia. Berdasarkan statistik dari Direktorat Tindak Pidana Siber Kepolisian Republik Indonesia pada tahun 2019 bahwa WhatsApp juga dinyatakan sebagai platform yang sering digunakan untuk mendukung tindak kejahatan. Oleh sebab itu penyidik memerlukan pemodelan untuk mempermudah dalam mengklasifikasikan konten negatif atau positif dari barang bukti digital berupa percakapan. Pemodelan dalam bentuk klasifikasi dapat membantu penyidik untuk mendeteksi kualitas percakapan pada suatu grup sehingga dapat mempercepat proses penyidikan. Dalam penelitian ini menggunakan algoritma Support Vector Machine (SVM) untuk mengklasifikasikan kualitas percakapan pada suatu grup. Pada penelitian ini berhasil mengklasifikan barang bukti digital berupa percakapan suatu grup dengan persentase kurang lebih 96,21% konten negatif. Nilai persentase tersebut dapat dijadikan suatu indikator awal dalam deteksi kualitas percakapan yang bersifat negatif. Sehingga pihak penyidik dapat mengambil tindakan penyidikan lebih intensif terkait percakapan yang bersifat negatif.
References
Asosiasi Penyelenggara Jasa Internet Indonesia (2019) Penetrasi dan Perilaku Pengguna Internet Indonesia 2018. Jakarta.
Badan Standarisasi Nasional (2014) Teknologi Informasi - Teknik Keamanan-Pedoman Identifikasi, Pengumpulan, Akuisisi dan Preservasi Bukti Digital (SNI ISO/IEC 27037:2014). Jakarta.
Direktorat Tindak Pidana Siber Badan Reserse Kriminal Kepolisian Negara Republik Indonesia (2020) Statistik Laporan Polisi 2019. Tersedia pada: https://patrolisiber.id/statistic (Diakses: 8 Januari 2020).
Habibi, M. (2017) Analisis Sentimen dan Klasifikasi Komentar Mahasiswa pada Sistem Evaluasi Pembelajaran Menggunakan Kombinasi KNN Berbasis Cosine Similarity dan Supervised Model. Universitas Gadjah Mada. Tersedia pada: http://etd.repository.ugm.ac.id/penelitian/detail/108938.
Hariyadi, D. et al. (2019) “Analisis Jaringan pada Aplikasi Pengamanan Akses Internet,” Cybersecurity dan Forensik Digital, 2(1), hal. 16–23.
Hariyadi, D., Winarno, W. W. dan Luthfi, A. (2016) Analisis Dugaan Saksi dengan Barang Bukti Digital Blackberry Messenger Menggunakan Metode Term Frequency dan Analisis Triadic. Universitas Islam Indonesia. Tersedia pada: https://dspace.uii.ac.id/handle/123456789/11359.
Kalra, V. dan Aggarwal, R. (2018) “Importance of Text Data Preprocessing & Implementation in RapidMiner,” Proceedings of the First International Conference on Information Technology and Knowledge Management, 14, hal. 71–75. doi: 10.15439/2017km46.
Kanakaraddi, S. G. et al. (2020) “Comparison Study of Sentiment Analysis of Tweets using Various Machine Learning Algorithms,” Proceedings of the 5th International Conference on Inventive Computation Technologies, ICICT 2020, hal. 287–292. doi: 10.1109/ICICT48043.2020.9112546.
Kent, K. et al. (2006) Guide to Integrating Forensic Techniques into Incident Response. Gaithersburg: National Institute of Standards and Technology.
Lassen, N. B., Cour, L. la dan Vatrapu, R. (2016) The SAGE Handbook of Social Media Research Methods: Predictive Analytics with Social Media Data. 1 Oliver’s Yard, 55 City Road London EC1Y 1SP: SAGE Publications Ltd. Doi: 10.4135/9781473983847.
Liu, B. (2012) Sentiment Analysis and Opinion Mining, Morgan & Claypool Publishers. doi: 10.1017/CBO9781139084789.
Lyu, Y. W., Chow, J. C. C. dan Hwang, J. J. (2020) “Exploring public attitudes of child abuse in mainland China: A sentiment analysis of China’s social media Weibo,” Children and Youth Services Review. Elsevier, 116(April), hal. 105250. doi: 10.1016/j.childyouth.2020.105250.
Masyarakat Telematika Indonesia (2017) Survey 2017: Wabah Hoax Nasional.
Mullen, T. dan Collier, N. (2004) “Sentiment Analysis using Support Vector Machines with Diverse Information Sources,” in Proceedings of the 2004 Conference on Empirical Methods in Natural Language Processing. Tersedia pada: http://research.nii.ac.jp/~collier/papers/emnlp2004.pdf.
Putra, A. D. (2013) Pengaturan Penggeledahan dan Penyitaan Bukti Elektronik dalam Kerangka Pembaruan Hukum Acara Pidana Indonesia. Universitas Indonesia.
Rahman, A. dan Hossen, M. S. (2019) “Sentiment Analysis on Movie Review Data Using Machine Learning Approach,” 2019 International Conference on Bangla Speech and Language Processing, ICBSLP 2019, hal. 27–28. doi: 10.1109/ICBSLP47725.2019.201470.
Riadi, I., Sunardi, S. dan Widiandana, P. (2020) “Mobile Forensics for Cyberbullying Detection using Term Frequency - Inverse Document Frequency (TF-IDF),” Jurnal Ilmiah Teknik Elektro Komputer dan Informatika, 5(2), hal. 68. doi: 10.26555/jiteki.v5i2.14510.
Ubaidillah dan Stiawan, D. (2017) “Analisis Forensik Jaringan pada WhatsApp,” Annual Research Seminar, 3(1), hal. 1–4. Tersedia pada: http://seminar.ilkom.unsri.ac.id/index.php/ars/article/view/1731/847.
Downloads
Published
How to Cite
Issue
Section
License
Attribution-ShareAlike 4.0 International (CC BY-SA 4.0)
You are free to:
- Share — copy and redistribute the material in any medium or format
- Adapt — remix, transform, and build upon the material for any purpose, even commercially.
Under the following terms:
- Attribution — You must give appropriate credit, provide a link to the license, and indicate if changes were made. You may do so in any reasonable manner, but not in any way that suggests the licensor endorses you or your use.
- ShareAlike — If you remix, transform, or build upon the material, you must distribute your contributions under the same license as the original.
- No additional restrictions — You may not apply legal terms or technological measures that legally restrict others from doing anything the license permits.
