DETEKSI HATE SPEECH DI TWITTER MENGGUNAKAN METODE MULTI-LAYER LONG SHORT-TERM MEMORY

Sudiro, Firman Sriyono Hadi (2022) DETEKSI HATE SPEECH DI TWITTER MENGGUNAKAN METODE MULTI-LAYER LONG SHORT-TERM MEMORY. S2 - Magister thesis, Universitas AMIKOM Yogyakarta.

[img] Text (THESIS)
20.51.1292 Firman Sriyono Hadi Sudiro.pdf

Download (3MB)

Abstract

Perkembangan teknologi informasi saat ini melaju sangat cepat, sehingga menjadi kebutuhan hidup masyarakat di seluruh dunia. Salah satu dampak dari perkembangan teknologi informasi adalah munculnya berbagai macam situs jejaring sosial atau media sosial seperti Facebook, Twitter dan Instagram. Perkembangan teknologi tidak hanya berdampak positif saja, namun juga berdampak negatif yaitu tindak pidana penghinaan atau ujaran kebencian (Hate Speech). Penelitian ini bertujuan untuk melakukan pengklasifikasian terhadap kalimat Hate Speech berbahasa Indonesia dengan menggunakan metode Long Short-Term Memory (LSTM). Pada proses pengujian, Metode LSTM 1 Layer akan dibandingkan dengan Metode LSTM 2 Layer berdasarkan perhitungan dari nilai akurasi, precision, recall dan f-measure. Hasil pengujian menunjukkan bahwa metode Long Short-Term Memory 2 Layer memiliki hasil akurasi yang lebih baik yaitu 77.54%, precision 77.00%, recall 77.00% dan f-measure 77.00% dibandingkan dengan metode LSTM 1 Layer dengan nilai akurasi 75.63%, precision 76.00%, recall 76.00% dan f-measure 76.00%.

Item Type: Thesis (S2 - Magister)
Contributor:
Pembimbing
Kusrini, Kusrini
Nasiri, Asro
Uncontrolled Keywords: Sentimen analisis, Hate speech, Long short-term memory, Multi layer long short-term memory
Subjects: 000 - Komputer, Informasi dan Referensi Umum > 000 Ilmu komputer, ilmu pengetahuan dan sistem-sistem > 005 Pemrograman komputer, program dan data
Divisions: Pascasarjana MTI > Magister Teknik Informatika
Depositing User: RC Universitas AMIKOM Yogyakarta
Date Deposited: 12 Jul 2023 02:08
Last Modified: 12 Jul 2023 02:10
URI: http://eprints.amikom.ac.id/id/eprint/20323

Actions (login required)

View Item View Item