PENGEMBANGAN MODEL SENTIMEN ANALISIS MENGGUNAKAN KOMBINASI WORD EMBEDDING DAN BI-LSTM PADA KASUS CYBER BULLYING

Farasalsabila, Fidya (2024) PENGEMBANGAN MODEL SENTIMEN ANALISIS MENGGUNAKAN KOMBINASI WORD EMBEDDING DAN BI-LSTM PADA KASUS CYBER BULLYING. S2 - Magister thesis, Universitas AMIKOM Yogyakarta.

Text (THESIS)
22.51.1189 Fidya Farasalsabila.pdf
Download (4MB)

Abstract

Peningkatan aktivitas online dalam beberapa tahun terakhir telah memberikan dampak signifikan pada kesehatan mental dan kesejahteraan individu, terutama dalam konteks fenomena cyber bullying. Melalui penggunaan platform media sosial dan forum daring, perilaku negatif seperti intimidasi, pelecehan, dan penghinaan semakin merajalela, menghadirkan tantangan serius dalam menciptakan lingkungan online yang aman dan inklusif. Dalam upaya untuk mengatasi masalah ini, penelitian ini mengusulkan pengembangan model analisis sentimen yang menggunakan kombinasi teknik word embedding dan arsitektur jaringan saraf rekuren berbasis LSTM (Bidirectional LSTM) untuk mendeteksi dan mengklasifikasikan pesan-pesan yang mengandung elemen cyber bullying. Penelitian ini menggunakan data publik yang berasal dari Mendeley Data. Sebanyak 65.343 yang dikumpulkan dari platform youtube dalam rentang waktu waktu 2022-2023. Dataset ini terdiri dari dua label, yakni 0 (non-cyber bullying) dan 1 (cyber bullying). Data yang diperoleh akan dilakukan preprocessing lalu kemudian divektorisasi menggunakan 2 jenis word embedding yaitu, FastText dan BERT dan diklasifikasikan menggunakan metode Bi-LSTM. Dari percobaan yang dilakukan, diperoleh hasil bahwa kedua model menunjukkan tingkat akurasi yang tinggi, dengan nilai berturut-turut yakni FastText+Bi-LSTM sebesar 92,89% dan BERT+Bi-LSTM sebesar 93,17%. Terdapat perbedaan kecil dalam nilai akurasi namun model BERT+Bi-LSTM menunjukkan sedikit peningkatan performa dibandingkan dengan FastText+BiLSTM. Diantara word embedding FastText dan BERT yang digunakan dalam penelitian ini, pada akhirnya word embedding yang diklasifikasi menggunakan Bi-LSTM menghasilkan kinerja yang tinggi dan lebih baik adalah BERT dengan akurasi sebesar 93,17%.

Item Type:

Thesis (S2 - Magister)

Contributor: