DETEKSI UJARAN KEBENCIAN DALAM DOMAIN POLITIK PADA MEDIA SOSIAL DENGAN ALGORITMA LONG SHORT-TERM MEMORY (LSTM)

Maraknya ujaran kebencian dalam domain politik di media sosial dapat memicu tindakan kekerasan, prasangka negatif bahkan perpecahan. Dengan metode pendeteksian ujaran kebencian dapat membantu menganalisis ujaran antara ujaran kebencian dan bukan ujaran kebencian. Namun, akurasi deteksi ujaran kebencian dibatasi oleh kualitas sumber dataset, penggunaan bahasa informal, definisi yang berbeda tentang apa yang dimaksud dengan ujaran kebencian. Penelitian ini memberikan solusi atas permasalahan ini menggunakan metode Long Short-Term Memory dan teknik pembobotan kata TF-IDF. Dataset yang digunakan akan melalui beberapa tahapan pre-processing, seperti Data Cleaning, Case Folding, Tokenizing, Filtering, dan Stemming. Setelah itu dataset akan dilakukan pembobotan dengan teknik TF-IDF. Kemudian seluruh data dilatih dan divalidasi dengan menggunakan model LSTM. Penelitian ini menghasilkan 12 model yang dilatih menggunakan dataset Alfina, Ibrohim, dataset hasil scrapping penulis, serta gabungan dataset tersebut yang kemudian dapat digunakan untuk menganalisis ujaran kebencian. Hasil pengujian menunjukkan proses deteksi ujaran kebencian lebih akurat, peningkatan akurasi dari 74,47% menjadi 96,58% dibandingkan dengan pengujian tanpa menerapkan metode usulan.