KLASIFIKASI KOMENTAR CYBERBULLYING PADA MEDIA SOSIAL TWITTER MENGGUNAKAN DEEP LEARNING

Halomoan, Juan Daniel (2022) KLASIFIKASI KOMENTAR CYBERBULLYING PADA MEDIA SOSIAL TWITTER MENGGUNAKAN DEEP LEARNING. Diploma thesis, Universitas YARSI.

Preview	Text 1. COVER.pdf Download (46kB) \| Preview
Preview	Image 4. HALAMAN PENGESAHAN.PDF Download (1MB) \| Preview
Preview	Text 3. HALAMAN PERNYATAAN ORISINALITAS.PDF Download (943kB) \| Preview
Preview	Text 2. ABSTRAK.pdf Download (73kB) \| Preview
Preview	Text 11. BAB 1.pdf Download (207kB) \| Preview
Preview	Text 17. DAFTAR PUSTAKA.pdf Download (849kB) \| Preview
	Text 12. BAB 2.pdf Restricted to Registered users only Download (345kB)
	Text 13. BAB 3.pdf Restricted to Registered users only Download (346kB)
	Text 14. BAB 4.pdf Restricted to Registered users only Download (2MB)
	Text 15. BAB 5.pdf Restricted to Registered users only Download (219kB)
	Text 16. BAB 6.pdf Restricted to Registered users only Download (83kB)

Abstract

Informasi dan komunikasi bergerak sangat cepat seiring dengan perkembangan zaman dan media sosial telah menjadi alat komunikasi yang umum digunakan dan penting di dunia modern saat ini. Menurut data digital 2022 global statshot report lebih dari empat miliar orang di dunia menggunakan jejaring media sosial untuk berkomunikasi. Media sosial tidak hanya memberikan keuntungan namun bisa digunakan untuk kejahatan, salah satunya adalah cyberbullying, Berdasarkan permasalahan tersebut penulis bertujuan untuk membandingkan performa model deep learning yaitu Convolutional Neural Network (CNN), Long Short – Term Memory Neural Network (LSTM) dan Bidirectional Long Short Term Memory Neural Network (BiLSTM) dalam hal klasifikasi komentar cyberbullying. Untuk dataset menggunakan cyberbullying dataset Bahasa Inggris berjumlah 16848 dan memiliki 2 kelas yaitu cyberbulling dan non-cyberbullying. Eksperimen yang dilakukan dengan melakukan data processing menggunakan data cleaning, case folding, remove punctuation, remove stopword, stemming, lemmatization dan remove emoji. Selanjutnya membagi data dan mengambil proporsi 80:20 untuk data latih berjumlah 13478 sedangkan data testing berjumlah 3370, kemudian melakukan ekstraksi fitur menggunakan tf-idf, dan melakukan konfigurasi model dan hyperparameterserta evaluasi model menggunakan confusion matrix. Setelah dilakukan percobaan, hasil menunjukan model CNN mendapatkan nilai tertinggi yaitu validasi akurasi sebesar 82,58%, validasi presisi 79,27%, validasi recall 61,12%.

Item Type:	Thesis (Diploma)
Additional Information:	S-862-FTI
Uncontrolled Keywords:	Klasifikasi, Twitter, Cyberbullying, Deep Learning, Convolutional Neural Network. Long Short – Term Memory Neural Network, Bidirectional Long Short Term Memory Neural Network
Subjects:	H Social Sciences > HX Socialism. Communism. Anarchism L Education > L Education (General) Q Science > QA Mathematics > QA76 Computer software T Technology > T Technology (General)
Depositing User:	Juan Halomoan
Date Deposited:	02 Apr 2024 07:40
Last Modified:	02 Apr 2024 07:40
URI:	http://digilib.yarsi.ac.id/id/eprint/12034

Actions (login required)

View Item

Search for collections on Universitas YARSI Repository