Detail Cantuman

PENINGKATAN KLASIFIKASI MULTI-LABEL TERHADAP UJARAN KEBENCIAN DAN BAHASA KASAR DALAM BAHASA INDONESIA MENGGUNAKAN MAML

GHIXANDRA JULYANEU IRAWADI / 152021088 - Personal Name
0426097801 - Jasman Pardede, Dr., S.Si., MT. - Personal Name
Text English 2025 Teknik Informatika : FTI

Penelitian ini mengkaji pengembangan sistem otomatis untuk mendeteksi ujaran kebencian dan bahasa kasar dalam transkrip video YouTube berbahasa Indonesia. Urgensi penelitian ini berangkat dari meningkatnya konsumsi video online di Indonesia yang diiringi oleh tingginya paparan kekerasan verbal, sehingga berpotensi memicu budaya berkomentar kasar dan agresivitas daring. Walaupun teknologi pemrosesan bahasa alami telah memberikan kontribusi besar dalam mendeteksi konten berbahaya, penelitian sebelumnya masih lebih banyak berfokus pada teks pendek seperti Twitter, sedangkan konten video yang kaya konteks relatif jarang dieksplorasi. Selain itu, ketidakseimbangan kelas dalam dataset ujaran kebencian membuat kelas minoritas sulit dipelajari dan semakin menantang pada skenario multi-label karena satu data dapat masuk ke lebih dari satu kategori. Kondisi ini berimplikasi pada rendahnya akurasi, khususnya untuk kelas minoritas. Dalam mengatasi masalah tersebut, penelitian ini menggunakan dua pendekatan pelatihan, yaitu pelatihan standar dan meta-pembelajaran dengan algoritma Model-Agnostic Meta-Learning (MAML). Model dasar yang digunakan mengintegrasikan IndoBERTweet dengan BiGRU, yang mampu menangkap konteks linguistik, namun tetap menghadapi tantangan efisiensi komputasi pada embedding berdimensi tinggi. Model ini dilatih pada kumpulan data multi-label dengan 13 kategori ujaran kebencian yang distribusinya tidak seimbang. Hasil penelitian menunjukkan bahwa kedua pendekatan menghasilkan performa kompetitif. Model standar memperoleh F1-Micro sebesar 84,5% dan F1-Macro sebesar 77,1%, sedangkan MAML mencapai F1-Micro sebesar 83,7% dan F1-Macro sebesar 76,4%. Meskipun selisihnya kecil, MAML konsisten memberikan hasil lebih baik pada kelas minoritas seperti HS_Physical, HS_Gender, dan HS_Race, sehingga lebih layak digunakan pada domain baru atau kondisi dengan data terbatas. Dibandingkan penelitian terdahulu, penelitian ini berhasil mencatat peningkatan akurasi F1-Score yang signifikan sebesar 36,83% kenaikan.

This study examines the development of an automated system for detecting hate speech and abusive language in Indonesian-language YouTube video transcripts. The urgency of this research arises from the increasing consumption of online videos in Indonesia, which is accompanied by heightened exposure to verbal violence, potentially fostering a culture of offensive commenting and online aggressiveness. Although natural language processing technologies have made significant contributions to detecting harmful content, previous studies have predominantly focused on short texts such as Twitter, while video content with richer contextual information has been relatively underexplored. Another challenge lies in the class imbalance within hate speech datasets, which makes minority classes difficult to learn and becomes even more challenging in multi-label scenarios where a single instance may belong to multiple categories. This often results in lower accuracy, particularly for minority classes. To address this issue, this research employs two training approaches: standard supervised learning and meta-learning using the Model-Agnostic Meta-Learning (MAML) algorithm. The baseline model integrates IndoBERTweet with BiGRU, which is capable of capturing linguistic context, though it still faces computational efficiency challenges due to high-dimensional embeddings. The model is trained on a multi-label dataset comprising 13 hate speech categories with imbalanced distribution. The results show that both approaches achieved competitive performance. The standard model obtained an F1-Micro score of 84.5% and an F1-Macro score of 77.1%, while MAML achieved an F1-Micro score of 83.7% and an F1-Macro score of 76.4%. Although the differences are relatively small, MAML consistently performed better on minority classes such as HS_Physical, HS_Gender, and HS_Race, making it more suitable for new domains or scenarios with limited data. Compared to previous studies, this research recorded a significant improvement in F1-Score accuracy, achieving an increase of 36.83%.

Ketersediaan

LOADING LIST...

Lampiran Berkas

LOADING LIST...

Detail Information

Bagian	Informasi
Pengarang	GHIXANDRA JULYANEU IRAWADI / 152021088 - Personal Name 0426097801 - Jasman Pardede, Dr., S.Si., MT. - Personal Name
No. Panggil	917IF/25
Subyek	Hate Speech Detection, Meta-Learning Model-Agnostic Meta-Learning (MAML) IndoBERTweet-BiGRU, Multilabel Classification
Fakultas	FTI
Tahun Terbit	2025
Jurusan	Teknik Informatika
Deskripsi Fisik
Info Detil Spesifik

Citation

APA Style

. (2025).PENINGKATAN KLASIFIKASI MULTI-LABEL TERHADAP UJARAN KEBENCIAN DAN BAHASA KASAR DALAM BAHASA INDONESIA MENGGUNAKAN MAML().Teknik Informatika:FTI

Chicago Style

.PENINGKATAN KLASIFIKASI MULTI-LABEL TERHADAP UJARAN KEBENCIAN DAN BAHASA KASAR DALAM BAHASA INDONESIA MENGGUNAKAN MAML().Teknik Informatika:FTI,2025.Text

MLA Style

.PENINGKATAN KLASIFIKASI MULTI-LABEL TERHADAP UJARAN KEBENCIAN DAN BAHASA KASAR DALAM BAHASA INDONESIA MENGGUNAKAN MAML().Teknik Informatika:FTI,2025.Text

Turabian Style

.PENINGKATAN KLASIFIKASI MULTI-LABEL TERHADAP UJARAN KEBENCIAN DAN BAHASA KASAR DALAM BAHASA INDONESIA MENGGUNAKAN MAML().Teknik Informatika:FTI,2025.Text

Detail Cantuman

PENINGKATAN KLASIFIKASI MULTI-LABEL TERHADAP UJARAN KEBENCIAN DAN BAHASA KASAR DALAM BAHASA INDONESIA MENGGUNAKAN MAML

Detail Information

Citation

Homepage Info

Koleksi

Media Sosial / Kanal

Address