ANALISIS PERFORMANSI HATE COMMENTS PADA KASUS CYBERBULLYING BERBASIS INDOBERT DAN CENDOL - Capstone
MIFTAH HULJANNAH

Informasi Umum

Kode

25.04.121

Klasifikasi

006.35 - Natural Language Processing, Computer Science

Jenis

Karya Ilmiah - Skripsi (S1) - Reference

Subjek

Natural Language Processing

Dilihat

60 kali

Informasi Lainnya

Abstraksi

Cyberbullying merupakan salah satu permasalahan sosial yang semakin<br /> meningkat seiring dengan berkembangnya platform media sosial. Dampak dari cy-<br /> berbullying, seperti hate comments, dapat memberikan efek negatif yang besar se-<br /> cara psikologis dan emosional pada korban. Penelitian ini memiliki latar belakang<br /> pentingnya pengembangan sistem deteksi hate comments yang akurat untuk memiti-<br /> gasi dampak tersebut. Tujuan penelitian ini adalah untuk menganalisis performansi<br /> model IndoBERT dan Cendol dalam mendeteksi komentar kebencian pada kasus<br /> cyberbullying. Metode yang digunakan dalam penelitian ini adalah pengumpulan<br /> dataset yang mengandung kata kunci yang mengarah ke hate comments dan bul-<br /> lying, serta pengujian model IndoBERT dan Cendol. Evaluasi dilakukan menggu-<br /> nakan matriks seperti akurasi, presisi, recall, dan F1-Score.<br /> Hasil penelitian menunjukkan bahwa model IndoBERT dan Cendol memiliki<br /> performansi yang kompetitif dalam mendeteksi hate comments. Model IndoBERT<br /> menunjukkan keunggulan dalam menangani teks formal, sedangkan model Cendol<br /> lebih efisien dalam memahami bahasa informal dan konteks lokal. Survei yang<br /> dilakukan dengan 328 responden menghasilkan 64 kata kunci yang mengandung<br /> kata cyberbullying. Model IndoBERT menunjukkan akurasi tertinggi dengan nilai<br /> 90,7% pada epoch ke-5, learning rate 10-5, dan batch size 8. Sementara itu, model<br /> Cendol memperoleh akurasi 90,6% pada epoch ke-5, learning rate 10-4, dan batch<br /> size 2. Media sosial yang digunakan dalam penelitian ini adalah X (sebelumnya<br /> Twitter), yang menjadi salah satu platform yang banyak digunakan untuk berinter-<br /> aksi dan berbagi opini.<br /> Meskipun performansi kedua model sangat baik, terdapat kemungkinan model<br /> mengalami overfitting. Hal ini menjadi perhatian penting untuk penelitian selan-<br /> jutnya, karena overfitting dapat mengurangi kemampuan model untuk generalisasi<br /> pada data yang belum terlihat. Penelitian ini memberikan kontribusi penting dalam<br /> pengembangan sistem deteksi ujaran kebencian berbasis bahasa Indonesia, yang da-<br /> pat diterapkan tidak hanya di X, tetapi juga di media sosial lain seperti Facebook,<br /> Instagram, dan TikTok, untuk memitigasi dampak negatif dari hate comments di<br /> berbagai platform.

• TTI4I3 - AI DAN BIG DATA ANALYSIS
• TTI2F2 - PEMROGRAMAN PYTHON

Koleksi & Sirkulasi

Tersedia 1 dari total 1 Koleksi

Pengarang

Penerbit

Sirkulasi

Download / Flippingbook