PERBANDINGAN INDOBERT DAN TEXTCNN DALAM KOMUNITAS GAME ONLINE INDONESIA T. Malik Kamal Primary Author mixed material bibliography Banda Aceh Fakultas MIPA (S1) 2025 id Indonesia

Skripsi

Fenomena konten negatif dalam komunitas game online di platform seperti YouTube menjadi isu serius karena dampaknya terhadap perilaku dan kesehatan mental pengguna. Penelitian ini bertujuan membangun model klasifikasi untuk mendeteksi dan memahami konten negatif berdasarkan transkrip audio dari video YouTube berbahasa Indonesia. Transkripsi dilakukan secara otomatis menggunakan model Faster-Whisper Large-v3, diikuti pelabelan otomatis dengan bantuan GPT dan validasi manual. Data mencakup lima kategori, yaitu hate, offensive, racism, sexism, dan netral. Ketidakseimbangan distribusi data diatasi melalui teknik augmentasi back-translation. Dua model deep learning, yaitu IndoBERT dan TextCNN, dilatih menggunakan data hasil preprocessing dan dievaluasi berdasarkan akurasi, precision, recall, dan F1-score. Model IndoBERT menunjukkan performa terbaik dengan akurasi 89,99%, precision 79,50%, recall 56,82%, dan F1-score 63,74%. Sebaliknya, TextCNN mencatat akurasi 87,93%, precision 74,93%, recall 52,72%, dan F1-score 58,58%. Temuan ini menunjukkan bahwa penambahan data atau teknik augmentasi tidak selalu meningkatkan performa model. Model terbaik diintegrasikan ke dalam antarmuka web berbasis Streamlit untuk analisis otomatis video YouTube. Visualisasi berbasis SHAP juga ditambahkan guna menunjukkan kontribusi kata terhadap hasil klasifikasi. Penelitian ini menunjukkan bahwa pendekatan berbasis transkripsi audio dan deep learning dapat menjadi solusi potensial dalam mengidentifikasi serta memahami konten negatif di komunitas game online Indonesia. DIGITAL PUBLICATIONS 070.579 7 ELECTRONIC THESES AND DISSERTATION Universitas Syiah Kuala 1702141 2025-09-15 09:12:39 2025-09-15 14:57:29 machine generated