DETEKSI CYBERBULLYING PADA MEDIA SOSIAL TWITTER MENGGUNAKAN LSTM, BILSTM, GRU, BIGRU DAN SRU DENGAN FASTTEXT

Syamsu, Andi Nur Salsabila (2024) DETEKSI CYBERBULLYING PADA MEDIA SOSIAL TWITTER MENGGUNAKAN LSTM, BILSTM, GRU, BIGRU DAN SRU DENGAN FASTTEXT. Skripsi thesis, Universitas Hasanuddin.

Abstract (Abstrak)

Di era digital saat ini, media sosial menjadi platform utama untuk berinteraksi dan berkomunikasi. Kemajuan media sosial yang terjadi dengan cepat, disertai juga dampak negatif, salah satunya peningkatan kasus cyberbullying. Fenomena ini merupakan isu serius yang berpotensi merugikan individu dan masyarakat secara luas. Penelitian ini mengembangkan sistem deteksi cyberbullying menggunakan model Recurrent Neural Network (RNN) seperti Long Short-Term Memory (LSTM), Bidirectional Long Short-Term Memory (BiLSTM), Gated Recurrent Unit (GRU), Bidirectional Gated Recurrent Unit (BiGRU), dan Simple Recurrent Unit (SRU), yang dikombinasikan dengan word embedding FastText. Sumber data penelitian ini dari Twitter, sebanyak 2400 data dikumpulkan yang berdasarkan 24 kata kunci berpotensi bullying dan dilabeli secara manual. Pendekatan pelatihan yang digunakan adalah Stratified 5-Fold Cross Validation di mana model dilatih dan diuji pada berbagai kombinasi subset data. Hasil penelitian menunjukkan bahwa model SRU memiliki kinerja lebih baik dari model lain, dengan akurasi 73.44% dan f1-score 70.48%. Sedangkan model LSTM mencapai akurasi 73.35% dan f1-score 68.71%, model BiLSTM mencapai akurasi 72.48% dan f1-score 69.19%, model GRU mencapai akurasi 70.93% dan f1-score 67.58%, model BiGRU mencapai akurasi 72.81% dan f1-score 68.44%.

Actions (login required)