Penerapan Metode Long Short Term Memory Untuk Klasifikasi Pada Hate Speech

  • Kholifatullah B
  • Prihanto A
N/ACitations
Citations of this article
193Readers
Mendeley users who have this article in their library.

Abstract

Hate Speech atau ujaran kebencian merupakan tindakan seseorang atau kelompok dalam bentuk provokasi atau hinaaan kepada seseorang atau kelompok lain dalam berbagai faktor seperti suku, agama, ras, antar golongoan, gender, cacat, warna kulit, kewarganegaraan dan orientasi seksual yang dapat dilakukan dengan berbagai cara. Maka dilakukan penelitian dengan membentuk model pendeteksi Hate Speech menggunakan Metode Long Short Term Memory (LSTM). Metode LSTM merupakan suatu metode Deep Learning yang mampu mengingat informasi dari masa lalu dalam proses pembelajaran modelnya. Pada penelitian ini dataset didapat dari website kaggle dengan jumlah 13170 data. Dimana dataset tersebut dipisah menjadi 2 yaitu data latih dan data validasi dengan rasio perbandingan data latih dan data validasi sebesar 80% : 20%. Hasil pengujian menunjukkan bahwa : 1) Metode LSTM dapat diterapkan pada model untuk proses klasifikasi pada hate speech menggunakan data dari situs kaggle yaitu Indonesian Abusive and Hate Speech. Model yang dibentuk terdiri dari Embedding Layer, LSTM Layer, 2 Dense Layer dengan fungsi aktivasi ReLu, Dropout Layer dan Fully Connected Layer dengan fungsi aktivasi softmax dan fungsi rugi Binary Cross Entropy, 2) Model memiliki peforma terbaik dengan menggunakan 256 neuron LSTM. Akurasi yang diperoleh pada data latih sebesar 86.23% dan akurasi pada data validasi sebesar 87.10% dengan epoch sebanyak 10.

Register to see more suggestions

Mendeley helps you to discover research relevant for your work.

Already have an account?

Cite

CITATION STYLE

APA

Kholifatullah, B. A. H., & Prihanto, A. (2023). Penerapan Metode Long Short Term Memory Untuk Klasifikasi Pada Hate Speech. Journal of Informatics and Computer Science (JINACS), 292–297. https://doi.org/10.26740/jinacs.v4n03.p292-297

Readers' Seniority

Tooltip

Lecturer / Post doc 8

53%

PhD / Post grad / Masters / Doc 4

27%

Professor / Associate Prof. 3

20%

Readers' Discipline

Tooltip

Computer Science 15

58%

Engineering 7

27%

Nursing and Health Professions 2

8%

Mathematics 2

8%

Save time finding and organizing research with Mendeley

Sign up for free