EUVIMEDEUVIMED entdecken
Open Access · CC BY-NC-SA 4.0

KLASIFIKASI CYBERBULLYING PADA TEKS MEDIA SOSIAL BERBAHASA INDONESIA MENGGUNAKAN MODEL BIDIRECTIONAL LSTM

Finuri Zamzahariro, Jafar Fakhrurozi

Rabit : Jurnal Teknologi dan Sistem Informasi Univrab · 10.07.2026 · 11 (2) · 2554-2563

DOI: 10.36341/rabit.v11i2.7808 ↗

Kurz gefasst

Fachartikel in der Zeitschrift Rabit : Jurnal Teknologi dan Sistem Informasi Univrab, online erschienen am 10.07.2026. Verfasst von Finuri Zamzahariro und 1 weiteren Autor:innen. Der Volltext ist frei zugänglich (Open Access, CC BY-NC-SA 4.0).

AbstractBibliografische AngabenZitierenVerwandte Studien

Abstract (Originalsprache)

Penelitian ini bertujuan untuk mengklasifikasikan teks cyberbullying pada media sosial berbahasa Indonesia menggunakan model Bidirectional Long Short-Term Memory (BiLSTM) yang ditingkatkan dengan pre-trained embedding FastText bahasa Indonesia 300-dimensi. Permasalahan utama yang diangkat adalah tingginya penggunaan bahasa tidak formal, seperti bahasa gaul, singkatan, dan variasi penulisan, yang menyulitkan analisis teks otomatis, serta keterbatasan representasi semantik pada pendekatan embedding acak. Metode yang digunakan meliputi tahap preprocessing data yang mencakup cleaning, normalisasi menggunakan kamus bahasa gaul dengan perlindungan kata toxic, tokenisasi, dan padding, dilanjutkan dengan pembangunan model BiLSTM menggunakan Functional API dengan dual pooling (GlobalMaxPooling + GlobalAveragePooling), regularisasi L2, SpatialDropout1D, BatchNormalization, dan penanganan class imbalance menggunakan class weight. Dataset yang digunakan terdiri dari 2.109 komentar berbahasa Indonesia yang dikumpulkan dari TikTok dan Instagram, dengan distribusi kelas yang hampir seimbang (1.058 Non-CB dan 1.051 CB). Hasil penelitian menunjukkan bahwa model yang dibangun berhasil meningkatkan performa dibandingkan model baseline, dengan penurunan gap overfitting yang signifikan antara akurasi training dan testing. Penelitian ini menunjukkan bahwa kombinasi pre-trained embedding FastText dengan arsitektur BiLSTM yang teroptimasi merupakan pendekatan yang efektif dan resource-efficient untuk klasifikasi teks cyberbullying berbahasa Indonesia.

Zitieren

APA

Zamzahariro, F., & Fakhrurozi, J. (2026). KLASIFIKASI CYBERBULLYING PADA TEKS MEDIA SOSIAL BERBAHASA INDONESIA MENGGUNAKAN MODEL BIDIRECTIONAL LSTM. Rabit : Jurnal Teknologi dan Sistem Informasi Univrab, 11(2), 2554-2563. https://doi.org/10.36341/rabit.v11i2.7808

Vancouver

Zamzahariro F, Fakhrurozi J. KLASIFIKASI CYBERBULLYING PADA TEKS MEDIA SOSIAL BERBAHASA INDONESIA MENGGUNAKAN MODEL BIDIRECTIONAL LSTM. Rabit : Jurnal Teknologi dan Sistem Informasi Univrab. 2026;11(2):2554-2563. doi:10.36341/rabit.v11i2.7808

BibTeX
@article{Zamzahariro2026,
  author = {Zamzahariro, Finuri and Fakhrurozi, Jafar},
  title = {KLASIFIKASI CYBERBULLYING PADA TEKS MEDIA SOSIAL BERBAHASA INDONESIA MENGGUNAKAN MODEL BIDIRECTIONAL LSTM},
  journal = {Rabit : Jurnal Teknologi dan Sistem Informasi Univrab},
  year = {2026},
  volume = {11},
  number = {2},
  pages = {2554--2563},
  doi = {10.36341/rabit.v11i2.7808}
}
Kostenlos starten →