Electronic Theses and Dissertation

Perkembangan media sosial seperti tiktok telah memberikan ruang ekspresi yang luas bagi penggunanya, namun juga memunculkan fenomena negatif seperti cyberbullying, khususnya yang bersifat misoginis. komentar-komentar yang merendahkan perempuan semakin marak dan sering luput dari pengawasan. penelitian ini bertujuan membangun model klasifikasi berbasis indobert untuk mendeteksi komentar cyberbullying dan misoginis pada platform tiktok. proses klasifikasi dilakukan dalam dua tahap, yaitu tahap pertama untuk mengidentifikasi komentar cyberbullying, dan tahap kedua untuk mendeteksi unsur misogini pada komentar yang telah diklasifikasi sebagai cyberbullying. data diperoleh melalui web scraping, kemudian diproses dan diberi label sesuai kategori. hasil menunjukkan bahwa indobert mengungguli model machine learning konvensional dan pretrained model lainnya, dengan akurasi 90% dan f1-score 89% untuk klasifikasi cyberbullying, serta akurasi 85% dan f1-score 74% untuk klasifikasi misogini. model yang dibangun diimplementasikan pada komentar dalam beberapa tren tiktok. hasil analisis distribusi menunjukkan tingginya proporsi komentar cyberbullying, dan di antaranya terdapat komentar yang mengandung unsur misoginis. selain itu, analisis temporal menunjukkan waktu komentar pada video tiktok meningkat pada malam hari, sementara komentar dengan unsur cyberbullying terlihat mendominasi tanpa terikat pada waktu tertentu. temuan ini berkontribusi pada pengembangan sistem deteksi otomatis sebagai alat bantu moderasi konten, guna menciptakan ruang digital yang lebih aman dan bebas dari kekerasan verbal terhadap perempuan.

The rapid growth of social media platforms such as TikTok has provided users with broad opportunities for expression, but it has also led to negative phenomena such as cyberbullying, particularly those with misogynistic content. Comments that demean women are becoming increasingly prevalent and often go unnoticed by moderation systems. This study aims to develop a classification model based on IndoBERT to detect cyberbullying and misogynistic comments on TikTok. The classification is carried out in two stages: the first identifies cyberbullying comments, and the second detects misogynistic elements within those comments. Data were collected through web scraping, then preprocessed and labeled according to defined categories. Experimental results show that IndoBERT outperforms conventional machine learning algorithms and other pretrained models, achieving 90% accuracy and an 89% F1-score for cyberbullying classification, and 85% accuracy with a 74% F1-score for misogyny classification. The model was applied to comments on trending TikTok videos. Distribution analysis reveals a high proportion of cyberbullying comments, some of which contain misogynistic language. Temporal analysis also indicates increased commenting activity during nighttime, while cyberbullying remains prevalent throughout the day. These findings support the development of automated detection systems to assist content moderation and foster a safer digital environment, particularly in protecting women from online verbal abuse.