Identifikasi Ujaran Kebencian Pada Sosial Media Bahasa Inggris Menggunakan Recursive Neural Network
Article Sidebar
Main Article Content
Abstract
Penyebaran ujaran kebencian pada sosial media telah menjadi masalah serius karena menciptakan serangkaian konflik ras, etnis, orientasi seksual, kebangsaan, dan agama. Penelitian ini menggali dari unggahan ujaran kebencian di media sosial. Ujaran kebencian semakin meningkat di media sosial yang merendahkan individu atau kelompok banyak ditemukan. Mengidentifikasi ujaran kebencian secara tepat menjadi penting untuk menganalisis sentimen publik dari kelompok pengguna terhadap kelompok lain serta mencegah kegiatan yang tidak diinginkan. Dengan mengidentifikasi akar penyebabnya, pihak-pihak yang berwenang dan platform-platform digital dapat mengambil tindakan yang lebih efektif dalam memitigasi dampak negatifnya dan melindungi masyarakat dari ancaman yang mungkin timbul. Algoritma seperti Support Vector Machine dan Deep Neural Networks, terutama Recursive Neural Network, dapat mengidentifikasi ujaran kebencian. Dalam penelitian ini menerapkan Recursive Neural Network untuk mengidentifikasi ujaran kebencian. Performa sistem ini diukur berdasarkan nilai precision, recall, accuracy, dan F-Measure. Hasil eksperimen yang dilakukan terhadap data ujaran kebencian diperoleh nilai rata-rata precision, recall, accuracy, dan F-Measure masing-masing sebesar 0.78, 0.74, 0.76, dan 0.76. Hasil tersebut menunjukkan bahwa Recursive Neural Networks yang diusulkan memiliki performa yang cukup baik.
Article Details
Section
Penulis yang menerbitkan dengan jurnal ini setuju pada persyaratan berikut ini:
- Penulis menyimpan hak cipta dan memberikan jurnal hak penerbitan pertama, dengan pekerjaan 6 bulan setelah penerbitan secara simultan dengan lisensi di bawah: Creative Commons Attribution License yang memudahkan yang lain untuk berbagi karya dengan pengakuan penerbitan awal dan kepenulisan karya di jurnal ini.
- Penulis bisa memasukkan ke dalam penyusunan kontraktual tambahan terpisah untuk distribusi non-ekslusif versi kaya terbitan jurnal (contoh: mempostingnya ke repositori institusional atau menerbitkannya dalam sebuah buku), dengan pengakuan penerbitan awalnya di jurnal ini.
- Penulis diizinkan dan didorong untuk mem-posting karya mereka online (contoh: di repositori institusional atau di website mereka) sebelum dan selama proses penyerahan, karena dapat mengarahkan ke pertukaran produktif, seperti halnya sitiran yang lebih awal dan lebih hebat dari karya yang diterbitkan. (Lihat Efek Akses Terbuka).
How to Cite
References
E. Susanti, “Glosarium Kosakata Bahasa Indonesia Dalam Ragam Media Sosial,” DIALEKTIKA: Jurnal Bahasa, Sastra, dan Pendidikan Bahasa dan Sastra Indonesia, hal. 229-250, 2016.
I. Alfina, D. Sigmawaty, F. Nurhidayati dan A. N. Hidayanto, “Utilizing Hashtags for Sentiment Analysis of Tweets in The Political Domain,” Proceedings of the 9th International Conference on Machine Learning and Computing, hal. 43-47, 2017.
Databoks, “Berapa Pengguna Media Sosial Indonesia?,” Januari 2019. [Online]. Available: https://databoks.katadata.co.id/datapublish/2019/02/08/berapa-pengguna-media-sosial-indonesia.
FBI, “Hate Crime Statistics,” U.S. Department of Justice, Washington, DC, 2018.
B. Polri, “Statistik,” 2019. [Online]. Available: https://patrolisiber.id/statistic.
D. P. N. Lyrawati, “Deteksi Ujaran Kebencian Pada Twitter Menjelang Pilpres 2019 Dengan Machine Learning,” Jurnal Ilmiah Matematika, vol. 7, no. 3, 2019.
P. Fortuna dan S. Nunes, “A Survey on Automatic Detection of Hate Speech in Text,” ACM Computing Surveys, hal. 1-30, 2018.
P. Liu, X. Qiu dan X. Huang, “Recurrent Neural Network for Text Classification with Multi-Task Learning,” International Joint Conference on Artificial Intelligence, 2016.
T. H. Nguyen dan K. Shirai, “PhraseRNN: Phrase Recursive Neural Network for Aspect-based Sentiment Analysis,” Proceedings of the 2015 Conference on Empirical Methods in Natural Language Processing, hal. 2509–2514, 2015.
T. Davidson, D. Warmsley, M. Macy dan I. Weber, “Automated Hate Speech Detection and the Problem of Offensive Language,” Proceedings of the 11th International AAAI Conference on Web and Social Media, hal. 512-515, 2017.
Z. Mossie dan J.-H. Wang, “Vulnerable community identification using hate speech detection,” Information Processing and Management, vol. 57, no. 3, 2019.
P. T. Hung dan K. Yamanishi, “Word2vec Skip-Gram Dimensionality Selection via Sequential Normalized Maximum Likelihood,” Entropy, vol. 23, no. 8, hal. 997, 2021.
J. A. Bullinaria, “Recurrent Neural Networks,” 2015. [Online]. Available: http://www.cs.bham.ac.uk.
K. S. Tai, R. Socher dan C. D. Manning, “Improved Semantic Representations From Tree-Structured Long Short-Term Memory Networks,” Proceedings of the 53rd Annual Meeting of the Association for Computational Linguistics and the 7th International Joint Conference on Natural Language Processing (Volume 1: Long Papers), hal. 1556–1566, 2015.
X. Chen, X. Qiu, C. Zhu, S. Wu dan X. Huang, “Sentence Modeling with Gated Recursive Neural Network,” Proceedings of the 2015 Conference on Empirical Methods in Natural Language Processing, hal. 793-798, 2015.
R. Socher, C. C.-Y. Lin, A. Y. Ng dan C. D. Manning, “Parsing Natural Scenes and Natural Language with Recursive Neural Networks,” Proceedings of the 28th international conference on machine learning (ICML-11), hal. 129-136, 2011.
J. Pardede dan M. G. Husada, “Comparison of VSM, GVSM, and LSI in Information Retrieval For Indonesian Text,” Jurnal Teknologi Malaysia, vol. 78, no. 2180–3722, hal. 5-6, 2015.