Implementasi IndoBERT dan IndoBERTweet untuk Deteksi Ujaran Kebencian Berbahasa Indonesia di Platform X

Steven, Ignatius (2026) Implementasi IndoBERT dan IndoBERTweet untuk Deteksi Ujaran Kebencian Berbahasa Indonesia di Platform X. Bachelor Thesis, Universitas Multimedia Nusantara.

	PDF HALAMAN_AWAL.pdf Restricted to Registered users only Download (2MB)
	PDF BAB_I.pdf Download (216kB)
	PDF BAB_II.pdf Download (435kB)
	PDF BAB_III.pdf Restricted to Registered users only Download (686kB)
	PDF BAB_IV.pdf Restricted to Registered users only Download (891kB)
	PDF BAB_V.pdf Restricted to Registered users only Download (207kB)
	PDF DAFTAR_PUSTAKA.pdf Restricted to Registered users only Download (218kB)
	PDF LAMPIRAN.pdf Restricted to Registered users only Download (772kB)
	Archive (ZIP) 00000070642_2521_LembarPengesahan.pdf Restricted to Registered users only Download (66kB)

Abstract

Pertumbuhan pesat pengguna media sosial di Indonesia mencapai 217,53 juta pengguna aktif, juga mendorong meningkatnya penyebaran ujaran kebencian di platform X. Pendekatan machine learning tradisional memiliki keterbatasan dalam menangkap konteks makna teks informal, sementara model berbasis transformer yang lebih akurat bersifat black box sehingga keputusannya tidak dapat dijelaskan secara langsung. Penelitian ini membandingkan model IndoBERT dan IndoBERTweet untuk deteksi ujaran kebencian berbahasa Indonesia, sekaligus menerapkan LIME sebagai teknik Explainable AI untuk menginterpretasi prediksi yang dihasilkan. Dataset yang digunakan adalah Multi-label Hate Speech and Abusive Language Detection in Indonesian Twitter dari Ibrohim dan Budi yang terdiri dari 13.169 tweet, dengan kolom HS sebagai label klasifikasi biner. Kedua model dilatih melalui proses fine-tuning dengan grid search terhadap kombinasi learning rate dan batch size, kemudian dievaluasi menggunakan kurva ROC-AUC serta metrik akurasi, precision, recall, dan F1-score macro. Hasil pengujian menunjukkan bahwa IndoBERTweet lebih unggul pada seluruh metrik evaluasi dengan akurasi 0,8762 dan F1-score 0,8726, dibandingkan IndoBERT dengan akurasi 0,8560 dan F1-score 0,8524. Analisis LIME mengungkapkan bahwa pada prediksi yang benar, IndoBERTweet mendasarkan keputusan pada kata yang relevan secara linguistik. Pada kasus false positive, IndoBERTweet cenderung mengasosiasikan kosakata religius dengan ujaran kebencian, sedangkan pada kasus false negative kedua model gagal menangkap ujaran kebencian yang bersifat tersirat. Temuan ini menegaskan bahwa interpretasi LIME diperlukan sebagai pelengkap metrik klasifikasi agar keputusan model dapat dipertanggungjawabkan.

Item Type:	Thesis (Bachelor Thesis)
Creators:	Steven, Ignatius (00000070642)
Contributors:	Gunawan, Dennis
Keywords:	Explainable AI, IndoBERT, IndoBERTweet, LIME, Ujaran kebencian.
Subjects:	000 Computer Science, Information and General Works
Divisions:	Faculty of Engineering & Informatics > Informatics
Date Deposited:	27 Jul 2026 12:01
URI:	https://kc.umn.ac.id/id/eprint/48254

Actions (login required)

View Item