Perbandingan Model Klasifikasi Ujaran Kebencian di Media Sosial Berbasis BERT, XGBoost, dan Hybrid BERT-XGBoost serta Interpretasi Naratif Hasil Menggunakan Generative AI

Aji Pamungkas, Arrafi (2025) Perbandingan Model Klasifikasi Ujaran Kebencian di Media Sosial Berbasis BERT, XGBoost, dan Hybrid BERT-XGBoost serta Interpretasi Naratif Hasil Menggunakan Generative AI. Bachelor Thesis, Universitas Multimedia Nusantara.

	PDF HALAMAN_AWAL.pdf Download (1MB)
	PDF BAB_I.pdf Download (212kB)
	PDF BAB_II.pdf Download (760kB)
	PDF BAB_III.pdf Download (276kB)
	PDF BAB_IV.pdf Restricted to Registered users only Download (636kB)
	PDF BAB_V.pdf Download (206kB)
	PDF DAFTAR_PUSTAKA.pdf Download (213kB)
	PDF LAMPIRAN.pdf Restricted to Registered users only Download (367kB)
	Archive (ZIP) CREATION_FILE.zip Download (6MB)

Abstract

Perkembangan media sosial telah memicu peningkatan signifikan dalam penyebaran ujaran kebencian daring, khususnya pada platform X (Twitter). Penelitian ini mengusulkan pendekatan hybrid berbasis Bidirectional Encoder Representations from Transformers (BERT) dan algoritma Extreme Gradient Boosting (XGBoost) untuk mendeteksi konten bermuatan ujaran kebencian secara lebih akurat. Dataset dikumpulkan melalui scraping menggunakan Twitter Search API dan anotasi berbasis crowdsourcing, mencakup kategori, target, dan intensitas ujaran kebencian, dengan total sebanyak 13.014 data. Tiga model dikembangkan dan dibandingkan: BERT + XGBoost, XGBoost berbasis TF-IDF, dan BERT finetuned. Hasil evaluasi menunjukkan bahwa model hybrid mencapai akurasi 81%, namun tidak melampaui performa model BERT finetuned, yang memperoleh akurasi 88,99% dan F1-score 0,8893. Temuan ini mengindikasikan bahwa pendekatan hybrid tidak selalu menjamin peningkatan kinerja dalam konteks klasifikasi teks berbahasa Indonesia.

Item Type:	Thesis (Bachelor Thesis)
Creators:	Aji Pamungkas, Arrafi (00000064717)
Contributors:	Aditiyawan, Aditiyawan (8994550022)
Keywords:	klasifikasi teks, ujaran kebencian, BERT, XGBoost, hybrid model.
Subjects:	000 Computer Science, Information and General Works
Divisions:	Faculty of Engineering & Informatics > Informatics
Date Deposited:	10 Sep 2025 09:16
URI:	https://kc.umn.ac.id/id/eprint/40575

Actions (login required)

View Item