Analisis Perbandingan Performansi CNN dan LSTM dalam  Mendeteksi Ujaran Kebencian di Twitter

ARTISA BUNGA SYAHPUTRI

Informasi Umum

Kode

23.04.2636

Klasifikasi

004 - Data Processing, Computer Science/Pemrosesan Data, Ilmu Komputer, Teknik Informatika, Hardware Komputer

Jenis

Karya Ilmiah - Skripsi (S1) - Reference

Subjek

Data Science, Data Processing,

Dilihat

516 kali

Informasi Lainnya

Abstraksi

<p>Perkembangan internet pada saat ini menjadi salah satu faktor yang memberi peluang bagi pengguna media sosial untuk meninggalkan komentar dan postingan yang mengandung ujaran kebencian. Mendeteksi ujaran kebencian pada media sosial terutama pada Twitter menjadi topik yang banyak diteliti beberapa waktu belakangan. Penelitian yang telah dilakukan biasanya menerapkan pendekatan machine learning biasa, dan saat ini pendekatan deep learning menjadi populer karena dianggap dapat memberikan hasil yang lebih baik dan lebih efektif, namun masih jarang diterapkan untuk melakukan deteksi ujaran kebencian pada teks yang berbahasa Indonesia. Penelitian ini menunjukan hasil perbandingan performansi dari pendekatan deep learning dengan menggunakan model arsitektur CNN, LSTM, dan kombinasi CNN+LSTM untuk mendeteksi ujaran kebencian pada postingan Twitter yang menggunakan bahasa Indonesia. Dataset yang digunakan terdiri dari data umum yang merupakan keseluruhan dataset dan data dengan topik yang spesifik membahas mengenai pemerintahan yang diambil dari dataset umum. Dari penelitian yang telah dilakukan menampilkan hasil yang lebih baik saat model arsitektur CNN diimplementasikan pada data tweet berbahasa Indonesia dibandingkan hasil yang diperoleh dari model arsitektur LSTM dan kombinasi CNN+LSTM dengan nilai akurasi dan F1-score mencapai 81%. Selain itu penerapan model deep learning dalam mendeteksi ujaran kebencian memberikan performansi yang lebih baik dibandingkan dengan penelitian sebelumnya dengan dataset yang sama namun menerapkan model machine learning dengan ekstraksi fitur. Penelitian ini juga menunjukan bahwa data yang spesifik membahas satu topik khusus dan pemilihan parameter model memberikan pengaruh yang signifikan pada performansi model sehingga performa model menjadi lebih meningkat dibandingkan saat diterapkan pada data dengan topik yang umum dan memiliki kamus kata yang lebih banyak.</p>