Deteksi Ujaran Kebencian Multi-Label Berbahasa Indonesia Menggunakan Integrasi Bert Dan Bi-Gru

Abstrak

Penyebaran ujaran kebencian (hate speech) di media sosial, khususnya Twitter, telah mencapai tingkat yang mengkhawatirkan dan berpotensi memicu konflik sosial. Penelitian terdahulu banyak bertumpu pada metode Machine Learning konvensional seperti Support Vector Machine (SVM) dan Naïve Bayes dengan ekstraksi fitur TF-IDF. Namun, metode tersebut gagal menangkap hubungan semantik jangka panjang dan konteks kontekstual dari kata-kata kasual, singkatan, serta slang dalam bahasa Indonesia. Penelitian ini mengusulkan model komputasi cerdas berbasis Deep Learning dengan mengintegrasikan IndoBERT sebagai pemodelan bahasa dan Bidirectional Gated Recurrent Unit (Bi-GRU) sebagai pengklasifikasi. Evaluasi dilakukan pada dataset ujaran kebencian berbahasa Indonesia bermuatan multi-label (Target: Individu/Kelompok; Kategori: SARA, Gender, Fisik, Akun). Hasil eksperimen menunjukkan bahwa model IndoBERT-Bi-GRU menghasilkan performa terbaik dengan nilai Accuracy mencapai 94.2%, Precision 93.5%, dan F1-Score 93.8%. Model ini secara signifikan mengungguli algoritma baseline konvensional dan membuktikan efektivitas representasi semantik mendalam dalam mereduksi konten negatif di platform digital.

Identifier

• DOI: https://doi.org/10.32814/inforis.v2i1.15
• OpenAlex: https://openalex.org/W7167680945