KLASIFIKASI UJARAN KEBENCIAN DAN BAHASA KASAR DI TWITTER MENGGUNAKAN METODE ATTENTION BASED RECURRENT NEURAL NETWORK

Maulana, Alviansyah Satria (2022) KLASIFIKASI UJARAN KEBENCIAN DAN BAHASA KASAR DI TWITTER MENGGUNAKAN METODE ATTENTION BASED RECURRENT NEURAL NETWORK. Other thesis, UPN 'Veteran" Yogyakarta.

Preview	Text ABSTRAK.pdf Download (30kB) | Preview
Preview	Text COVER.pdf Download (107kB) | Preview
Preview	Text DAFTAR ISI.pdf Download (1MB) | Preview
	Text SKRIPSI FULL_Alviansyah Satria Maulana_123170104.pdf Restricted to Repository staff only Download (2MB)
Preview	Text HALAMAN PENGESAHAN PEMBIMBING.pdf Download (414kB) | Preview

Abstract

ABSTRAK
Ujaran kebencian adalah ujaran yang mengandung kebencian, menyerang, dan berapi�api yang dimaksudkan untuk menginspirasi orang lain untuk melakukan kekerasan atau
menyakiti orang atau kelompok lain. Dalam penyampaiannya, ujaran kebencian juga sering
disertai dengan bahasa kasar. Bahasa kasar adalah ungkapan yang mengandung frasa atau kata�kata kasar dan dikomunikasikan secara lisan atau tertulis kepada lawan bicara, yang berdampak
mempercepat terjadinya konflik sosial jika disertai dengan ujaran kebencian.
Pada penelitian ini akan menggunakan metode deep learning Attention Based Long
Short Term Memory (LSTM) menggunakan word embedding Fasttext. LSTM dipilih karena
dapat menangani masalah vanishing gradient yang tidak bisa ditangani oleh metode Recurrent
Neural Network (RNN). Word embedding fasttext dipilih karena dapat mengatasi permasalahan
out of vocabulary atau dengan kata lain dapat memberikan representasi kata yang tidak muncul
dalam data latih. Sedangkan Attention Based Mechanism ditambahkan untuk menangani
masalah saat input memiliki sequence yang sangat panjang.
Dari hasil pengujian, tingkat performa dari model Attention Based LSTM
menggunakan word embedding fasttext yang telah dibangun memiliki nilai rata-rata Accuracy
sebesar 71,703% Precision sebesar 70,815%, Recall sebesar 71,701% dan F1-Score sebesar
71,255%. Model dapat mengklasifikasikan teks dengan cukup baik, akan tetapi masih model
masih memiliki kekurangan pada saat mengklasifikasi beberapa teks terutama pada kelas
ujaran kebencian. Hal ini disebabkan karena adanya kata-kata yang bersinggungan antara kelas
ujaran kebencian dengan kelas netral dan kelas bahasa kasar. Selain itu, dataset yng tidak
seimbang (unbalanced dataset) juga menjadi faktor model masih melakukan beberapa
kesalahan dalam mengklasifikasikan teks.
Kata Kunci: Ujaran Kebencian, Bahasa Kasar, Twitter, Klasifikasi Teks, Deep Learning,
Word Embedding, Fasttext, Long Short Term Memory, Attention Based Mechanism

Item Type:	Thesis (Other)
Uncontrolled Keywords:	Ujaran Kebencian, Bahasa Kasar, Twitter, Klasifikasi Teks, Deep Learning, Word Embedding, Fasttext, Long Short Term Memory, Attention Based Mechanism
Subjects:	Z Bibliography. Library Science. Information Resources > ZA Information resources
Divisions:	Faculty of Engineering, Science and Mathematics > School of Engineering Sciences
Depositing User:	Eko Yuli
Date Deposited:	25 Mar 2022 03:13
Last Modified:	08 Nov 2022 03:47
URI:	http://eprints.upnyk.ac.id/id/eprint/29142

Actions (login required)

View Item