DEEP LEARNING UNTUK KLASIFIKASI TEKS HATE SPEECH MENGGUNAKAN LONG SHORT TERM MEMORY

Hidayat, Agung Nur (2021) DEEP LEARNING UNTUK KLASIFIKASI TEKS HATE SPEECH MENGGUNAKAN LONG SHORT TERM MEMORY. Other thesis, UNIVERSITAS PEMBANGUNAN NASIONAL “VETERAN” YOGYAKARTA.

[img]
Preview
Text
COVER.pdf

Download (258kB) | Preview
[img]
Preview
Text
ABSTRAK.pdf

Download (184kB) | Preview
[img]
Preview
Text
DAFTAR ISI.pdf

Download (190kB) | Preview
[img]
Preview
Text
HALAMAN PENGESAHAN PEMBIMBING.pdf

Download (187kB) | Preview
[img]
Preview
Text
DAFTAR PUSTAKA.pdf

Download (191kB) | Preview
[img] Text
SKRIPSI FULL_Agung Nur Hidayat_123160075.pdf
Restricted to Repository staff only

Download (4MB)

Abstract

Hate speech atau ujaran kebencian di Indonesia yang sering dijumpai di media sosial memiliki dampak buruk bagi semua pengguna. Meskipun banyak kasus yang tercatat oleh Kemkominfo, ujaran kebencian yang tersirat dalam teks kalimat bisa dianggap sebagai kebencian atau bukan kebencian, tergantung orang yang menafsirkannya. Maka dari itu, diperlukan proses klasifikasi suatu teks sehingga dapat diketahui apakah teks tersebut termasuk hate speech atau bukan. Tantangan yang dihadapi dalam proses klasifikasi teks hate speech adalah bahwa hate speech merupakan fenomena yang sulit untuk didefinisikan dan tidak monolitik, sehingga diperlukan sebuah model klasifikasi yang dapat mengenali pola-pola kalimat tersebut. Solusi untuk masalah tersebut adalah dengan menerapkan deep learning untuk melakukan klasifikasi teks hate speech. Penelitian ini menggunakan algoritma Long-Short Term Memory (LSTM) yang dikombinasikan dengan word embedding untuk melakukan klasifikasi teks hate speech. LSTM merupakan pengembangan dari algoritma RNN yang termasuk algoritma deep learning. Studi literatur menunjukkan bahwa LSTM dengan word embedding memiliki performa yang bagus untuk melakukan klasifikasi dengan data berupa teks. Data yang digunakan pada penelitian ini bersumber dari data penelitian terdahulu serta penambahan data yang bersumber dari Twitter. Hasil pengujian model menggunakan K-Fold Cross Validation menunjukkan nilai Accuracy sebesar 85,04%, Precision sebesar 84,19%, Recall sebesar 79,17% dan F1-Score sebesar 81,60%. Model yang telah dibangun menggunakan algoritma Long Short Term Memory (LSTM) dapat mengenali pola-pola kalimat hate speech sehingga dapat melakukan klasifikasi teks hate speech dengan hasil yang lebih baik.

Item Type: Thesis (Other)
Uncontrolled Keywords: Hate Speech, Media Sosial, Twitter, Klasifikasi Teks, Deep Learning, Word Embedding, Long Short Term Memory
Subjects: Q Science > QA Mathematics > QA76 Computer software
Divisions: Faculty of Engineering, Science and Mathematics > School of Electronics and Computer Science
Depositing User: Nurul Alifah Rahmawati
Date Deposited: 23 Feb 2021 05:39
Last Modified: 23 Feb 2021 05:39
URI: http://eprints.upnyk.ac.id/id/eprint/24773

Actions (login required)

View Item View Item