Implementasi Convolutional Neural Network (CNN) Untuk Mendeteksi Ujaran Kebencian Dan Emosi Di Twitter
DOI:
https://doi.org/10.32664/smatika.v14i02.1346Kata Kunci:
Jaringan Saraf Konvolusional, Klasifikasi, Ujaran KebencianAbstrak
Penelitian ini bertujuan untuk mengembangkan model deteksi ujaran kebencian yang akurat dan efisien pada platform media sosial Twitter dengan memanfaatkan kekuatan Convolutional Neural Network (CNN). Fokus penelitian ini terarah pada identifikasi ujaran kebencian yang bermuatan sentimen negatif, khususnya yang terkait dengan isu ras, agama, dan orientasi seksual dalam konteks bahasa Indonesia. Proses penelitian melibatkan pengumpulan dataset Twitter yang relevan, pra-pemrosesan teks untuk membersihkan dan menyusun data, serta representasi kata menggunakan Word2Vec untuk menangkap makna kontekstual. Model CNN yang dirancang secara khusus kemudian dilatih pada dataset tersebut. Keunggulan CNN dalam mengekstraksi fitur-fitur semantik dari teks secara otomatis, ditambah dengan penggunaan Word2Vec, memungkinkan model mencapai akurasi yang tinggi, yaitu 87% untuk penilaian emosi dan 99% untuk penilaian ujaran kebencian. Hal ini menjadikan model ini sangat efektif dalam mendeteksi pola halus dalam bahasa yang mengindikasikan adanya ujaran kebencian. Penelitian ini memberikan kontribusi signifikan dalam pengembangan sistem moderasi konten yang lebih baik di media sosial. Dengan kemampuannya mendeteksi ujaran kebencian secara real-time, model ini dapat membantu menciptakan lingkungan online yang lebih aman dan inklusif. Namun, penelitian ini masih memiliki beberapa keterbatasan, seperti ukuran dataset yang terbatas dan variasi ujaran kebencian yang belum sepenuhnya terwakili. Oleh karena itu, penelitian lebih lanjut diperlukan untuk mengatasi keterbatasan tersebut dan meningkatkan kinerja model.
Referensi
K. Gamage, V. Welgama, and R. Weerasinghe, “Improving Sinhala Hate Speech Detection Using Deep Learning,†in 2022 22nd International Conference on Advances in ICT for Emerging Regions (ICTer), IEEE, Nov. 2022, pp. 045–050. doi: 10.1109/ICTer58063.2022.10024103.
R. Hayami, S. Mohnica, and Soni, “Klasifikasi multilabel komentar toxic pada sosial media twitter menggunakan convolutional neural network(CNN),†Jurnal CoSciTech (Computer Science and Information Technology), vol. 4, no. 1, pp. 1–6, Apr. 2023, doi: 10.37859/coscitech.v4i1.4365.
A. G. D’Sa, I. Illina, and D. Fohr, “BERT and fastText Embeddings for Automatic Detection of Toxic Speech,†in 2020 International Multi-Conference on: “Organization of Knowledge and Advanced Technologies†(OCTA), IEEE, Feb. 2020, pp. 1–5. doi: 10.1109/OCTA49274.2020.9151853.
A. B. Syahputri and Y. Sibaroni, “Comparative Analysis of CNN and LSTM Performance for Hate Speech Detection on Twitter,†in 2023 11th International Conference on Information and Communication Technology (ICoICT), IEEE, Aug. 2023, pp. 190–195. doi: 10.1109/ICoICT58202.2023.10262656.
Syafruddin, A. Thaba, and R. Ananda, “UJARAN KEBENCIAN NETIZEN INDONESIA PADA AKUN TWITTER ES TEH: TINJAUAN LINGUISTIK FORENSIK,†Semantik, vol. 13, no. 1, pp. 15–28, Feb. 2024, doi: 10.22460/semantik.v13i1.p15-28.
S. Riyadi, A. D. Andriyani, A. M. Masyhur, C. Damarjati, and M. I. Solihin, “Detection of Indonesian Hate Speech on Twitter Using Hybrid CNN-RNN,†in 2023 International Conference on Information Technology and Computing (ICITCOM), IEEE, Dec. 2023, pp. 352–356. doi: 10.1109/ICITCOM60176.2023.10442041.
Oryza Habibie Rahman, Gunawan Abdillah, and Agus Komarudin, “Klasifikasi Ujaran Kebencian pada Media Sosial Twitter Menggunakan Support Vector Machine,†Jurnal RESTI (Rekayasa Sistem dan Teknologi Informasi), vol. 5, no. 1, pp. 17–23, Feb. 2021, doi: 10.29207/resti.v5i1.2700.
D. S. Ashari, B. Irawan, and C. Setianingsih, “Sentiment Analysis on Online Transportation Services Using Convolutional Neural Network Method,†in 2021 8th International Conference on Electrical Engineering, Computer Science and Informatics (EECSI), IEEE, Oct. 2021, pp. 335–340. doi: 10.23919/EECSI53397.2021.9624261.
A. P. J. Dwitama and S. Hidayat, “Identifikasi Ujaran Kebencian Multilabel Pada Teks Twitter Berbahasa Indonesia Menggunakan Convolution Neural Network,†Jurnal Sistem Komputer dan Informatika (JSON), vol. 3, no. 2, p. 117, Dec. 2021, doi: 10.30865/json.v3i2.3610.
F. D. Ananda and Y. Pristyanto, “Analisis Sentimen Pengguna Twitter Terhadap Layanan Internet Provider Menggunakan Algoritma Support Vector Machine,†MATRIK : Jurnal Manajemen, Teknik Informatika dan Rekayasa Komputer, vol. 20, no. 2, pp. 407–416, May 2021, doi: 10.30812/matrik.v20i2.1130.
D. C. Rahmadani, S. Khomsah, and M. Y. Fathoni, “Analisis Emosi Wisatawan Menggunakan Metode Lexicon Text Analysis,†Jurnal Teknik Informatika dan Sistem Informasi, vol. 10, no. 1, May 2024, doi: 10.28932/jutisi.v10i1.6690.
D. V. Bhargav and D. R, “Performance Analysis of Logistic Regression Algorithm and Random Forest Algorithm for Predicting Product Review Analysis,†in 2024 Ninth International Conference on Science Technology Engineering and Mathematics (ICONSTEM), IEEE, Apr. 2024, pp. 1–5. doi: 10.1109/ICONSTEM60960.2024.10568774.
A. A. Handoko, M. A. Rosid, and U. Indahyanti, “Implementasi Convolutional Neural Network (CNN) Untuk Pengenalan Tulisan Tangan Aksara Bima,†SMATIKA JURNAL, vol. 14, no. 01, pp. 96–110, Jul. 2024, doi: 10.32664/smatika.v14i01.1196.
T. He, Y. Liu, Y. Yu, Q. Zhao, and Z. Hu, “Application of deep convolutional neural network on feature extraction and detection of wood defects,†Measurement, vol. 152, p. 107357, Feb. 2020, doi: 10.1016/j.measurement.2019.107357.
L. Xiaolin, R. C. Panicker, B. Cardiff, and D. John, “Multistage Pruning of CNN Based ECG Classifiers for Edge Devices,†in 2021 43rd Annual International Conference of the IEEE Engineering in Medicine & Biology Society (EMBC), IEEE, Nov. 2021, pp. 1965–1968. doi: 10.1109/EMBC46164.2021.9630588.
M. Harahap, Em Manuel Laia, Lilis Suryani Sitanggang, Melda Sinaga, Daniel Franci Sihombing, and Amir Mahmud Husein, “Deteksi Penyakit Covid-19 Pada Citra X-Ray Dengan Pendekatan Convolutional Neural Network (CNN),†Jurnal RESTI (Rekayasa Sistem dan Teknologi Informasi), vol. 6, no. 1, pp. 70–77, Feb. 2022, doi: 10.29207/resti.v6i1.3373.
S. Hong, J. Kim, H.-G. Woo, Y.-C. Kim, and C. Lee, “Screening ideas in the early stages of technology development: A word2vec and convolutional neural network approach,†Technovation, vol. 112, p. 102407, Apr. 2022, doi: 10.1016/j.technovation.2021.102407.
Merinda Lestandy and Abdurrahim, “Effect of Word2Vec Weighting with CNN-BiLSTM Model on Emotion Classification,†Jurnal Nasional Pendidikan Teknik Informatika (JANAPATI), vol. 12, no. 1, pp. 99–107, Mar. 2023, doi: 10.23887/janapati.v12i1.58571.
D. Maheshwari, S. K. Ghosh, R. K. Tripathy, M. Sharma, and U. R. Acharya, “Automated accurate emotion recognition system using rhythm-specific deep convolutional neural network technique with multi-channel EEG signals,†Comput Biol Med, vol. 134, p. 104428, Jul. 2021, doi: 10.1016/j.compbiomed.2021.104428.
V. A. Porter, B. A. Hobson, B. Foster, P. J. Lein, and A. J. Chaudhari, “Fully automated whole brain segmentation from rat MRI scans with a convolutional neural network,†J Neurosci Methods, vol. 405, p. 110078, May 2024, doi: 10.1016/j.jneumeth.2024.110078.
Unduhan
Diterbitkan
Terbitan
Bagian
Lisensi
Penulis telah menyetujui bahwa pemegang hak cipta adalah SMATIKA Jurnal. Dan Author berhak menyebarkan artikel tanpa seijin SMATIKA jurnal.
