BIDIRECTIONAL LONG SHORT TERM MEMORY DAN EKSTRAKSI FITUR DOC2VEC UNTUK DETEKSI HATE SPEECH BAHASA INDONESIA

EDO CAHAYA PUTRA, Dr.tech Khabib Mustofa, S.Si., M.Kom.;Dr. Agus Sihabuddin, S.Si., M.Kom.

2022 | Tesis | MAGISTER ILMU KOMPUTER

Ujaran kebencian merupakan komunikasi yang meremehkan seseorang atau kelompok berdasarkan karakteristik seperti ras, etnis, jenis kelamin, kewarganegaraan, agama dan organisasi. Deteksi ujaran kebencian sangat berperan dalam mencegah konflik yang mungkin dapat terjadi. Dalam mendeteksi ujaran kebencian penggunaan terdapat banyak metode yang digunakan namun harus memilih metode yang terbaik agar mendapatkan hasil yang optimal. Penelitian ini bertujuan untuk mendeteksi ujaran kebencian dengan menggunakan metode Bidirectional Long Short Term Memory dan doc2vec embedding serta membandingkan dengan word2vec embedding. Untuk pengujian metode Bidirectional LSTM dengan perhitungan nilai akurasi, presisi, recall, dan F-measure. Pada pengujian perbandingan doc2vec dan word2vec, doc2vec lebih baik dibandingkan dengan word2vec. Pada model doc2vec dengan arsitektur DBOW mendapatkan nilai akurasi sebesar 0.7767 dan F1-score sebesar 0.7721. Untuk arsitektur DM mendapatkan nilai akurasi sebesar 0.7957 dan F1-score sebesar 0.7907. Sedangkan model word2vec dengan arsitektur skip-gram mendapatkan nilai akurasi sebesar 0.7732 dan F1-score sebesar 0.7685. Untuk arsitektur CBOW mendapatkan nilai akurasi sebesar 0.7751 dan F1-score sebesar 0.7686.

Hate speech is communication that disparages a person or group based on characteristics such as race, ethnicity, gender, nationality, religion and organization. Hate speech detection plays an important role in preventing conflicts that might occur. In detecting hate speech, there are many methods used, but you have to choose the best method in order to get optimal results. This study aims to detect hate speech using the Bidirectional Long Short Term Memory method and doc2vec embedding and compare it with word2vec embedding. For testing the Bidirectional LSTM method with the calculation of accuracy, precision, recall, and F-measure values. In testing the comparison of doc2vec and word2vec, doc2vec is better than word2vec. The doc2vec model with DBOW architecture obtains an accuracy value of 0.7767 and an F1-score of 0.7721. For the DM architecture, an accuracy value of 0.7957 and an F1-score of 0.7907 are obtained. While the word2vec model with a skip-gram architecture gets an accuracy value of 0.7732 and an F1-score of 0.7685. For the CBOW architecture, the accuracy value is 0.7751 and the F1-score is 0.7686.

Kata Kunci : Ujaran Kebencian, Bidirectional LSTM, Doc2vec, Word2vec, Klasifikasi