Identifikasi Komentar Pelecehan Seksual menggunakan Indobert Embedding dan Long Short-term Memory (Studi Kasus : Komentar di Platform TikTok)

Abstract

Perkembangan teknologi informasi, khususnya media sosial, telah mengubah cara manusia berkomunikasi dan berinteraksi. Meskipun membawa banyak manfaat seperti kemudahan akses informasi dan peluang bisnis, media sosial juga menimbulkan tantangan baru, salah satunya adalah maraknya komentar negatif dan pelecehan seksual. Salah satu platform yang populer adalah TikTok, yang memungkinkan pengguna membagikan video pendek dan menerima komentar dari pengguna lain. Identifikasi komentar yang mengandung pelecehan seksual secara manual menjadi sulit dilakukan karena tingginya volume komentar, penggunaan bahasa informal, serta makna yang sering tersirat atau implisit. Untuk mengatasi permasalahan ini, penelitian ini bertujuan mengembangkan model deteksi komentar pelecehan seksual di TikTok dengan memanfaatkan kombinasi IndoBERT embedding dan algoritma Long Short-Term Memory (LSTM). IndoBERT digunakan karena kemampuannya dalam memahami konteks bahasa Indonesia, sedangkan LSTM efektif dalam menangkap pola sekuensial dari teks. Selain itu, untuk mengatasi ketidakseimbangan data. Penelitian ini membandingkan performa model LSTM dalam klasifikasi teks sebelum dan sesudah penerapan SMOTE. Tanpa SMOTE, model menunjukkan akurasi tinggi namun lemah dalam mengenali kelas minoritas. Setelah SMOTE diterapkan, performa kelas minoritas meningkat, meskipun akurasi keseluruhan sedikit menurun. Hasil ini menunjukkan bahwa SMOTE dapat membantu mengatasi ketidakseimbangan data, namun efektivitasnya tetap bergantung pada konteks.