HASTONO, Abyan Izzah Azzam (2026) Klasifikasi Komentar CYBERBULLYING Berbahasa Indonesia Pada Media Sosial Menggunakan Metode DISTILBERT. Undergraduate thesis, UNDIP: Fakultas Sains dan Matematika.

	Text 1. COVER.pdf Download (33kB)
	Text 3. HALAMAN PENGESAHAN.pdf Download (113kB)
	Text 4. KATA PENGANTAR.pdf Download (71kB)
	Text 6. ABSTRAK.pdf Download (9kB)
	Text 7. ABSTRACT.pdf Download (7kB)
	Text 8. DAFTAR ISI.pdf Download (40kB)
	Text 11. BAB I PENDAHULUAN.pdf Download (38kB)
	Text 16. DAFTAR PUSTAKA.pdf Download (189kB)

Abstract

Perkembangan teknologi dan media sosial telah mengubah cara masyarakat Indonesia berinteraksi, dengan lebih dari 49,9% pengguna internet aktif menggunakan media sosial setiap hari. Tingginya penggunaan ini memunculkan fenomena cyberbullying, yang mudah terjadi karena luasnya ruang digital dan minimnya regulasi. Cyberbullying dapat menimbulkan dampak negatif secara psikologis dan memperburuk kesehatan mental korban. Bentuk komentar cyberbullying sering kali tidak muncul secara eksplisit, melainkan menggunakan bahasa sarkastik, plesetan, atau sindiran halus, sehingga sulit dideteksi
menggunakan pendekatan berbasis pencocokan kata kunci sederhana. Oleh karena itu, deteksi dini komentar cyberbullying menjadi strategi penting untuk menciptakan ruang digital yang aman. Penelitian ini mengusulkan model deteksi komentar cyberbullying berbahasa Indonesia menggunakan arsitektur DistilBERT, yang lebih efisien secara komputasi dibandingkan BERT namun tetap mempertahankan performanya. Implementasi model DistilBERT terdiri dari pembersihan data, tokenisasi, dan fine-tuning DistilBERT menggunakan AdamW optimizer. Kemudian, dilakukan eksplorasi 24 kombinasi
hyperparameter tuning, dari beberapa nilai pada learning rate, batch size, dropout, dan weight decay untuk memperoleh konfigurasi terbaik. Model terbaik mencapai validation
accuracy sebesar 91,86%, dengan konfigurasi nilai hyperparameter learning rate 0,00001, batch size 16, dropout 0,3, dan weight decay 0,01. Model terbaik yang diuji menghasilkan performa accuracy 88,44%, precision 88,43%, recall 88,53%, dan F1-score 88,43%. Hasil penelitian menunjukkan bahwa model DistilBERT memiliki kemampuan generalisasi yang baik dalam mengklasifikasikan komentar cyberbullying berbahasa Indonesia, sehingga berpotensi mendukung terciptanya ekosistem digital yang lebih aman.
Kata kunci :deteksi cyberbullying, DistilBERT, natural language processing, klasifikasi teks

Actions (login required)

View Item