Identifikasi Cyberbullying pada Media Sosial dengan Indobert Embedding dan Long Short-term Memory (Studi Kasus : Komentar pada Unggahan di Media Sosial TikTok)

Abstract

Perkembangan teknologi informasi dan komunikasi telah mendorong meningkatnya interaksi melalui media sosial, termasuk TikTok yang kini menjadi salah satu platform paling populer di Indonesia. Namun, popularitas ini turut disertai dengan meningkatnya kasus cyberbullying yang muncul melalui kolom komentar. Penelitian ini bertujuan untuk mengklasifikasikan komentar TikTok ke dalam dua kategori, yaitu cyberbullying dan non-cyberbullying, menggunakan metode embedding IndoBERT dan algoritma Long Short-Term Memory (LSTM). IndoBERT dimanfaatkan untuk merepresentasikan komentar dalam bahasa Indonesia secara kontekstual, sementara LSTM digunakan untuk menangkap urutan dan pola dalam data teks. Model terbaik yang dihasilkan dievaluasi menggunakan data uji sebanyak 1,744 komentar, dengan hasil akurasi sebesar 89.79%, precision sebesar 86.756%, recall 77.92%, dan F1-Score 82.02% untuk kelas cyberbullying. Sementara itu, performa pada kelas non-cyberbullying menunjukkan nilai presisi 91%, recall 95%, dan F1-score 93%. Meskipun model menunjukkan performa yang baik pada kelas non-cyberbullying, sensitivitas terhadap komentar cyberbullying masih perlu ditingkatkan, terutama karena adanya ketidakseimbangan data. Hasil ini menunjukkan bahwa kombinasi IndoBERT dan LSTM efektif dalam mengklasifikasikan komentar TikTok, terutama dalam mendeteksi komentar non-cyberbullying, meskipun peningkatan lebih lanjut masih diperlukan agar model lebih sensitif terhadap komentar bernuansa negatif yang bersifat implisit atau kontekstual.