Identifikasi Ujaran Kebencian Multilabel Pada Teks Twitter Berbahasa Indonesia Menggunakan Convolution Neural Network

Dwitama, Aditya Perwira Joan; Hidayat, Syarif

doi:10.30865/json.v3i2.3610

Cited by 6 publications

(4 citation statements)

References 8 publications

Supporting

Mentioning

Contrasting

Unclassified

Order By: Relevance

“…Penggunaan algoritma klasifikasi yang lebih kompleks atau teknik deep learning dapat menjadi opsi untuk meningkatkan performa analisis sentimen. Menurut Dwitama [17] algoritma Recurrent Neural Network (RNN) mempunyai hasil akurasi terbaik dibandingkan enam (6) algoritma lain.…”

Section: Gbr 2 Model Preprocessingunclassified

Visualisasi Data Analisa Sentimen RUU Omnibus Law Kesehatan Menggunakan KNN dengan Software RapidMiner

Tupari,

Abdullah,

Chairani

2023

JPIT

View full text Add to dashboard Cite

The government's decision to discuss the RUU Omnibus law on health has become a controversial topic in society, especially among users of the Twitter social media platform. Users express their opinions regarding their stance on the RUU Omnibus law through tweets on Twitter. With diverse comments from users, it is essential to classify and visualize them into useful information about the positive and negative sentiments towards the RUU on health. This is crucial to understand the public's response to this policy. A total of 2406 sentiment data from Twitter users were collected using the RapidMiner software. Before analyzing the data using the K-Nearest Neighbors (KNN) algorithm, data preprocessing was carried out. After preprocessing, 2.406 data points were obtained, which were then divided into 1.684 tweets for testing and 722 tweets for training. The data was then processed using the KNN algorithm model executed in the RapidMiner software. The results of the data processing were presented in the form of tables, graphs, and word clouds, aligning with the research objective of providing clear and easily understandable visualizations about the RUU on health. This facilitates understanding for stakeholders without technical backgrounds to grasp the meaning and sentiments expressed. The research results indicate that the testing of K-Nearest Neighbors (KNN) yielded a high accuracy value, making it well-visualized at 84.58%. This indicates that the KNN model is highly successful in analyzing Twitter users' opinions on the Health Omnibus Law based on the data used and its ability to visualize effectively

show abstract

Section: Gbr 2 Model Preprocessingunclassified

Visualisasi Data Analisa Sentimen RUU Omnibus Law Kesehatan Menggunakan KNN dengan Software RapidMiner

Tupari,

Abdullah,

Chairani

2023

JPIT

View full text Add to dashboard Cite

show abstract

“…Tweet ini bisa positif dan ada pula yang negatif. Komentar negatif menjadi masalah karena seringkali mengandung ujaran kebencian dan dapat berujung pada tindakan hukum terhadap penciptanya [3].…”

Section: Pendahuluanunclassified

Analisis DistilBERT dengan Support Vector Machine (SVM) untuk Klasifikasi Ujaran Kebencian pada Sosial Media Twitter

Azmi Verdikha,

Habid,

Johar Latipah

2023

metik. j.

View full text Add to dashboard Cite

Hate speech is a significant issue in content management on social media platforms. Effective classification of hate speech plays a crucial role in maintaining a safe social media environment, combating discrimination, and protecting users. This study evaluates a hate speech classification model using SVM with linear and polynomial kernels. The dataset used consists of labeled Indonesian-language tweets. The importance of developing an effective classification model to address hate speech has led to the utilization of DistilBERT as a feature extraction method. However, DistilBERT has high-dimensional features, necessitating dimensionality reduction to reduce model complexity. Therefore, in this study, the PCA dimensionality reduction method is implemented with various scenarios of dimensionality, namely 10, 20, 30, 40, and 50. Evaluation is performed using F1-Score, and the entire study is evaluated using 10-fold cross-validation. The evaluation results indicate that in the scenario with a linear kernel, the model achieves the highest F1-Score of 0.75 in the 50-dimensional scenario. Meanwhile, in the scenario with a polynomial kernel, the model achieves the highest F1-Score of 0.7857 in the 50-dimensional scenario. These findings demonstrate that the use of a polynomial kernel with 50 dimensions yields the best performance in classifying hate speech.

show abstract

“…Twit yang diunggah dapat bersifat positif atau negatif dinilai dari konten yang terkandung dalam twit tersebut. Twit yang berisi komentar yang negatif menjadi masalah karena biasanya mengandung unsur SARA dan/atau ujaran kebencian, dimana tindakan serupa dapat berakibat sanksi hukum bagi penulisnya [2].…”

Section: Pengimplmentasian Algoritma Long Short-term Memory Untuk Men...unclassified

Pengimplmentasian Algoritma Long Short-Term Memory Untuk Mendeteksi Ujaran Kebencian Pada Aplikasi Twitter

Rafael

Adikara²

2023

jipi. jurnal. ilmiah. penelitian. dan. pembelajaran. informatik

View full text Add to dashboard Cite

Memasuki tahun 2022, jumlah pengguna internet di Indonesia sudah mencapai angka 204.7 juta pengguna, dimana se-bagian besar penggunaan internet adalah untuk media social. Seiring dengan tingginya pengguna media sosial, Direktorat Tindak Pidana Siber Bareskrim Polri mendapati 89 konten media sosial terverifikasi mengandung ujaran kebencian selama periode Februari-Maret 2021, dimana konten terbanyak berasal dari aplikasi Twitter. Oleh karena itu dilakukanlah penelitian dengan mengimplementasikan Machine learning untuk mendeteksi ujaran kebencian pada ap-likasi Twitter menggunakan metode Long shortterm memory. Penyerapan data Twitter dilakukan dengan mengimplemen-tasikan Tweepy Library oleh Muhammad Okky Ibrohim yang diakses melalui Kaggle selama sekitar 7 bulan, mulai 20 Maret 2018 hingga 10 September 2018. Tujuan penyerapan data dengan waktu yang lama adalah untuk mendapatkan lebih banyak pola tulisan twit. Data yang telah melalui text processing kemudian dibuat menjadi token-token yang meru-pakan rangkaian nilai integer. Kemudian model LSTM dibangun dengan mengkompilasikan input layer, LSTM layer, dan output layer, untuk nantinya dilatih dengan data training yang telah dipisahkan dari dataset. Peneliti menemukan hasil dari pelatihan model menunjukan accuracy sebesar 95.74% dan nilai loss 0.3463. Saat model yang telah dilatih digunakan untuk membuat prediksi terhadap data test, peneliti mendapatkan nilai accuracy sebesar 90% yang mengindi-kasikan model telah melakukan prediksi secaara akurat. Berdasarkan performa model dalam mendeteksi ujaran keben-cian, peneliti dapat menyimpulkan bahwa deteksi ujaran kebencian pada Twitter dapat dilakukan dengan penggunaan Machine learning dan algoritma Long shortterm memory(LSTM) dengan tingkat akurasi yang cukup tinggi.

show abstract

Identifikasi Ujaran Kebencian Multilabel Pada Teks Twitter Berbahasa Indonesia Menggunakan Convolution Neural Network

Cited by 6 publications

References 8 publications

Visualisasi Data Analisa Sentimen RUU Omnibus Law Kesehatan Menggunakan KNN dengan Software RapidMiner

Visualisasi Data Analisa Sentimen RUU Omnibus Law Kesehatan Menggunakan KNN dengan Software RapidMiner

Analisis DistilBERT dengan Support Vector Machine (SVM) untuk Klasifikasi Ujaran Kebencian pada Sosial Media Twitter

Pengimplmentasian Algoritma Long Short-Term Memory Untuk Mendeteksi Ujaran Kebencian Pada Aplikasi Twitter

Contact Info

Product

Resources

About