Publisher

UBHINUSUBHINUS

Journal SMATIKA JURNALSMATIKA JURNAL Abstract

Penelitian ini bertujuan untuk mengembangkan model deteksi ujaran kebencian yang akurat dan efisien pada platform media sosial Twitter dengan memanfaatkan kekuatan Convolutional Neural Network (CNN). Fokus penelitian ini terarah pada identifikasi ujaran kebencian yang bermuatan sentimen negatif, khususnya yang terkait dengan isu ras, agama, dan orientasi seksual dalam konteks bahasa Indonesia. Proses penelitian melibatkan pengumpulan dataset Twitter yang relevan, pra-pemrosesan teks untuk membersihkan dan menyusun data, serta representasi kata menggunakan Word2Vec untuk menangkap makna kontekstual. Model CNN yang dirancang secara khusus kemudian dilatih pada dataset tersebut. Keunggulan CNN dalam mengekstraksi fitur-fitur semantik dari teks secara otomatis, ditambah dengan penggunaan Word2Vec, memungkinkan model mencapai akurasi yang tinggi, yaitu 87% untuk penilaian emosi dan 99% untuk penilaian ujaran kebencian. Hal ini menjadikan model ini sangat efektif dalam mendeteksi pola halus dalam bahasa yang mengindikasikan adanya ujaran kebencian. Penelitian ini memberikan kontribusi signifikan dalam pengembangan sistem moderasi konten yang lebih baik di media sosial. Dengan kemampuannya mendeteksi ujaran kebencian secara real-time, model ini dapat membantu menciptakan lingkungan online yang lebih aman dan inklusif. Namun, penelitian ini masih memiliki beberapa keterbatasan, seperti ukuran dataset yang terbatas dan variasi ujaran kebencian yang belum sepenuhnya terwakili. Oleh karena itu, penelitian lebih lanjut diperlukan untuk mengatasi keterbatasan tersebut dan meningkatkan kinerja model.

Conclusion

Penelitian ini berhasil mengembangkan model deteksi ujaran kebencian berbasis Convolutional Neural Network (CNN) yang efektif dalam mengidentifikasi ujaran kebencian pada platform Twitter.Model mampu mencapai akurasi 87% dalam mengklasifikasikan tweet sebagai ujaran kebencian atau bukan, sekaligus mengasosiasikan emosi dalam konteks tersebut.Pengembangan lebih lanjut disarankan menggunakan dataset yang lebih besar, mengeksplorasi arsitektur CNN yang lebih kompleks, serta menerapkan teknik augmentasi data dan deteksi multibahasa.

Future Research

Pertama, perlu dikembangkan penelitian yang menguji efektivitas augmentasi data dalam meningkatkan ketahanan model terhadap variasi ujaran kebencian yang langka atau tidak seimbang dalam dataset, sehingga model dapat belajar dari contoh yang lebih beragam dan mengurangi bias. Kedua, penelitian selanjutnya dapat menyelidiki adaptasi model ini ke dalam berbagai bahasa daerah di Indonesia atau bahasa internasional, untuk memahami sejauh mana arsitektur CNN dapat digeneralisasi di berbagai konteks linguistik dan budaya. Ketiga, penting untuk merancang studi yang mengintegrasikan deteksi ujaran kebencian tidak hanya pada teks, tetapi juga pada konten multimedia seperti gambar dan video dengan teks terselubung, untuk mengembangkan sistem deteksi holistik yang mampu mengenali bentuk-bentuk ujaran kebencian yang lebih kompleks dan menghindari filter teks biasa.

References

1. Klasifikasi multilabel komentar toxic pada sosial media twitter menggunakan convolutional neural network(CNN)... ejurnal.umri.ac.id/index.php/coscitech/article/view/4365Klasifikasi multilabel komentar toxic pada sosial media twitter menggunakan convolutional neural network CNN ejurnal umri ac index php coscitech article view 4365

Subjects

1. #real time#real time
2. #information technology#information technology

Metadata

File size	1.14 MB
Pages	12
Short Link	https://juris.id/p-2W8
Lookup Links	Google ScholarGoogle Scholar, Semantic ScholarSemantic Scholar, CORE.ac.ukCORE.ac.uk, WorldcatWorldcat, ZenodoZenodo, Research GateResearch Gate, Academia.eduAcademia.edu, OpenAlexOpenAlex, Hollis HarvardHollis Harvard
DMCA	Report