Abstrak
Dalam era media sosial saat ini, Twitter adalah salah satu platform media sosial yang sangat populer. Pada penelitian ini, metode Long Short Term Memory (LSTM) yang dioptimalkan dengan Genetic Algorithm (GA) digunakan untuk menemukan teks ujaran kebencian pada data Twitter Indonesia. Kami gunakan teknik ekstraksi fitur TF-IDF dan GloVe untuk menghasilkan representasi vektor kata yang efektif dalam pemrosesan bahasa alami. Penelitian ini juga memperkenalkan ekspansi fitur dan pembangunan korpus kesamaan guna meningkatkan kinerja model klasifikasi LSTM. Untuk mengukur akurasi, presisi, recall, dan skor F1, evaluasi dilakukan melalui matrix confusion. Hasil penelitian menunjukkan bahwa model LSTM dengan ekstraksi fitur TF-IDF dan GloVe mencapai tingkat akurasi terbaik sebesar 92,91%. Kami juga menemukan bahwa kombinasi Unigram + Bigram + Trigram, max feature 10.000, dan korpus Glove dengan similarity Top 20 memberikan hasil yang optimal. Selain itu, optimasi parameter menggunakan algoritma genetika terbukti meningkatkan akurasi dan F1-Score. Model LSTM yang dihasilkan mampu mengklasifikasikan data uji dengan akurasi tinggi, yang berpotensi membantu dalam deteksi dan penanggulangan ujaran kebencian di media sosial, serta meningkatkan kemampuan model dalam mengidentifikasi dan memahami konten teks dalam konteks bahasa Indonesia.
Kata kunci: Ujaran kebencian, Twitter, Long Short Term Memory (LSTM), Genetic Algorithm (GA), TF- IDF, GloVe, Deteksi