Klasifikasi multilabel komentar toxic pada sosial media twitter menggunakan convolutional neural network(CNN)

Regiolina  Hayami; Sofhia Mohnica; Soni

doi:10.37859/coscitech.v4i1.4365

Regiolina Hayami Universitas Muhammadiyah Riau
Sofhia Mohnica Universitas Muhammadiyah Riau
Soni Universitas Muhammadiyah Riau

https://doi.org/10.37859/coscitech.v4i1.4365

Abstract

Meningkatnya jumlah pengguna dari media sosial berarti jumlah konten akan meningkat. Apalagi pengguna media sosial yang membuat kontennya menarik cenderung ingin ditanggapi atau mendapat pengakuan dari pengguna lain, baik itu berupa suka maupun komentar. Tak jarang komentar berisi berisi kata-kata ancaman, cabul, penghinaan atau kebencian terhadap identitas atau disebut juga dengan komentar beracun. Meskipun ada peraturan yang mengatur semua aktivitas di media sosial, namun tetap saja tidak bekerja secara efektif karena ketidakmungkinan mengklasifikasikan komentar secara manual. Tujuan dari penelitian ini adalah membangun sebuah model klasifikiasi multilabel yang dapat mengklasifikasikan ke dalam kategori nya menggunakan algoritma Convolutional Neural Network serta Word2Vec yang digunakan sebagai pembobotan kata. Pada penelitian ini menghasilkan model klasifikasi dengan Nilai performa dari pengujian model mesin pembelajaran CNN dengan menggunakan optimizer adam menghasilkan akurasi sebesar 99%, presisi 100%, recall 99% dan F1-Score 99%.

Downloads

Download data is not yet available.

References

[1] A. Perwira, J. Dwitama, and S. Hidayat, “Identifikasi Ujaran Kebencian Multilabel Pada Teks Twitter Berbahasa Indonesia Menggunakan Convolution Neural Network,” vol. 3, pp. 117–127, 2021, doi: 10.30865/json.v3i2.3610.
[2] R. Y. Rumagit, “Multilabel Classification for Toxic Comments in Indonesian,” Engineering, MAthematics and Computer Science (EMACS) Journal, vol. 2, no. 1, pp. 29–34, 2020, doi: 10.21512/emacsjournal.v2i1.6256.
[3] N. D. Kusumawati, S. Al Faraby, and M. D. P, “Analisis Sentimen Komentar Beracun pad Media Sosial Menggunakan Word2Vec dan Support Vectore Machine ( SVM ),” vol. 8, no. 5, pp. 10038–10050, 2021.
[4] S. Zaheri, J. Leath, D. Stroud, S. Zaheri, J. Leath, and D. Stroud, “SMU Data Science Review Toxic Comment Classification Toxic Comment Classification,” vol. 3, no. 1, 2020.
[5] R. P. Sidiq, B. A. Dermawan, and Y. Umaidah, “Sentimen Analisis Komentar Toxic pada Grup Facebook Game Online Menggunakan Klasifikasi Naïve Bayes,” Jurnal Informatika Universitas Pamulang, vol. 5, no. 3, p. 356, 2020, doi: 10.32493/informatika.v5i3.6571.
[6] A. N. Muhammad, S. Bukhori, and P. Pandunata, “Sentiment Analysis of Positive and Negative of YouTube Comments Using Naïve Bayes-Support Vector Machine (NBSVM) Classifier,” Proceedings - 2019 International Conference on Computer Science, Information Technology, and Electrical Engineering, ICOMITEE 2019, vol. 1, pp. 199–205, 2019, doi: 10.1109/ICOMITEE.2019.8920923.
[7] Ash Shiddicky and Surya Agustian, “Analisis Sentimen Masyarakat Terhadap Kebijakan Vaksinasi Covid-19 pada Media Sosial Twitter menggunakan Metode Logistic Regression,” Jurnal CoSciTech (Computer Science and Information Technology), vol. 3, no. 2, pp. 99–106, Aug. 2022, doi: 10.37859/coscitech.v3i2.3836.
[8] R. Hayami, Soni, and I. Gunawan, “Klasifikasi Jamur Menggunakan Algoritma Naïve Bayes,” Jurnal CoSciTech (Computer Science and Information Technology), vol. 3, no. 1, pp. 28–33, May 2022, doi: 10.37859/coscitech.v3i1.3685.
[9] N. A. Shafirra and I. Irhamah, “Klasifikasi Sentimen Ulasan Film Indonesia dengan Konversi Speech-to-Text (STT) Menggunakan Metode Convolutional Neural Network (CNN),” Jurnal Sains dan Seni ITS, vol. 9, no. 1, 2020, doi: 10.12962/j23373520.v9i1.51825.
[10] A. Nurdin, B. A. S. Aji, A. Bustamin, and Z. Abidin, “Perbandingan Kinerja Word Embedding Word2Vec , Glove ,” Jurnal TEKNOKOMPAK, vol. 14, no. 2, pp. 74–79, 2020.