Penyebaran ujaran kebencian di media sosial, khususnya pada platform X (sebelumnya Twitter), menimbulkan dampak negatif seperti polarisasi sosial, konflik, hingga trauma psikologis. Kompleksitas bahasa Indonesia, ambiguitas makna, dan struktur data multi-label menjadi tantangan dalam membangun sistem deteksi otomatis yang efektif. Penelitian ini mengusulkan pendekatan klasifikasi multi-label menggunakan kombinasi Elman Recurrent Neural Network (ERNN) dan Dolphin Echolocation Algorithm (DEA) untuk mendeteksi ujaran kebencian berbahasa Indonesia. DEA digunakan sebagai metode optimasi hiperparameter ERNN, sementara representasi teks diperkuat melalui kombinasi fitur Word2Vec dan TF-IDF. Empat skenario pengujian dirancang untuk membandingkan pengaruh optimasi dan kualitas fitur terhadap performa model, yang dievaluasi menggunakan F1-score sebagai metrik utama. Hasil menunjukkan bahwa penggunaan fitur gabungan TF-IDF dan Word2Vec memberikan peningkatan performa yang lebih signifikan dibandingkan dengan sekadar optimasi parameter. Skenario terbaik, yaitu kombinasi DEA-ERNN dengan fitur gabungan, mencapai F1-score makro sebesar 60,17%. Temuan ini menegaskan bahwa kualitas representasi fitur memiliki pengaruh dominan terhadap keberhasilan klasifikasi ujaran kebencian multi-label, serta mendukung pengembangan sistem moderasi konten yang lebih adaptif dan efisien untuk konteks bahasa Indonesia.