Analisis Perbandingan Naive Bayes dan SVM dalam Deteksi Ujaran Kebencian pada Teks Berbahasa Indonesia

Putra Pratama, Nicholas (2026) Analisis Perbandingan Naive Bayes dan SVM dalam Deteksi Ujaran Kebencian pada Teks Berbahasa Indonesia. Bachelor Thesis, Universitas Multimedia Nusantara.

	PDF HALAMAN_AWAL.pdf Restricted to Registered users only Download (567kB)
	PDF BAB_I.pdf Download (218kB)
	PDF BAB_II.pdf Download (3MB)
	PDF BAB_III.pdf Restricted to Registered users only Download (1MB)
	PDF BAB_IV.pdf Restricted to Registered users only Download (378kB)
	PDF BAB_V.pdf Restricted to Registered users only Download (227kB)
	PDF DAFTAR_PUSTAKA.pdf Restricted to Registered users only Download (217kB)
	PDF LAMPIRAN.pdf Restricted to Registered users only Download (1MB)
	Archive (ZIP) 00000067320_2521_LembarPengesahan.pdf Restricted to Registered users only Download (65kB)

Abstract

Perkembangan media sosial di Indonesia yang pesat turut memicu maraknya ujaran kebencian (hate speech), sementara volume data tekstual yang masif membuat moderasi konten secara manual menjadi tidak efisien, sehingga diperlukan pendekatan otomatis berbasis machine learning. Penelitian ini bertujuan membandingkan performa algoritma Naive Bayes dan Support Vector Machine (SVM) dalam mengklasifikasikan ujaran kebencian pada teks media sosial berbahasa Indonesia menggunakan dataset berskala besar sebanyak 14.181 data dari repositori Hugging Face. Metode penelitian mencakup text preprocessing (case folding, cleaning, tokenization, stopword removal, dan stemming), ekstraksi fitur menggunakan TF-IDF, seleksi fitur menggunakan Chi-Square dan Mutual Information, validasi silang menggunakan Shuffle Split Cross Validation, serta optimasi hyperparameter menggunakan GridSearchCV. Model Naive Bayes terbaik diperoleh tanpa seleksi fitur dengan parameter = 1, menghasilkan accuracy 83,22%, precision makro 82,84%, recall makro 82,57%, dan F1-score makro 82,69%. Model SVM terbaik diperoleh menggunakan seleksi fitur Chi-Square sebanyak 3.000 fitur dan parameter C = 0, 5, dengan accuracy 83,61%, precision makro 83,34%, recall makro 82,81%, dan F1-score makro 83,04%. Nilai tersebut lebih tinggi dibandingkan Naive Bayes pada keempat metrik evaluasi, sedangkan selisih waktu komputasi keduanya, yaitu 0,0461 detik pada training dan 0,0046 detik pada testing, tergolong sangat kecil. SVM menjadi algoritma yang lebih baik secara keseluruhan pada penelitian ini, karena unggul pada seluruh metrik performa dengan selisih efisiensi waktu yang tidak signifikan.

Item Type:	Thesis (Bachelor Thesis)
Creators:	Putra Pratama, Nicholas (00000067320)
Contributors:	Christian Chandra, Joko (0324118302)
Keywords:	hate speech, Naive Bayes, Natural Language Processing, Support Vector Machine, TF-IDF
Subjects:	000 Computer Science, Information and General Works
Divisions:	Faculty of Engineering & Informatics > Informatics
Date Deposited:	28 Jul 2026 12:00
URI:	https://kc.umn.ac.id/id/eprint/48321

Actions (login required)

View Item