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

KARTIKA DWI MAHARANI

Informasi Umum

Kode

24.04.5970

Klasifikasi

006.35 - Natural Language Processing, Computer Science

Jenis

Karya Ilmiah - Skripsi (S1) - Reference

Subjek

Natural Language Processing

Dilihat

245 kali

Informasi Lainnya

Abstraksi

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