Electronic Theses and Dissertation

Media sosial seperti X telah menjadi salah satu wadah utama masyarakat untuk berkomunikasi dan berpendapat, namun juga menjadi tempat maraknya pelecehan seksual berbasis teks. Upaya manual dalam mendeteksi konten berbahaya tidak lagi efektif karena tingginya volume data. Oleh sebab itu, penelitian ini bertujuan untuk membandingkan kinerja dua model Transformer terkemuka, yaitu IndoBERT dan XLM-RoBERTa, dalam mendeteksi teks yang mengandung unsur pelecehan seksual berbahasa Indonesia. Metode penelitian yang digunakan adalah pendekatan kuantitatif dengan eksperimen komparatif. Dataset berupa 2.000 cuitan dari X diproses melalui tahapan preprocessing dan dilabeli ke dalam dua kelas seimbang, yaitu pelecehan dan non-pelecehan. Kedua model kemudian dilakukan fine-tuning dan diuji menggunakan metrik evaluasi Accuracy, Precision, Recall, dan F1-Score. Hasil penelitian menunjukkan bahwa model IndoBERT memberikan performa yang lebih optimal secara keseluruhan dibandingkan XLM-RoBERTa, dengan perolehan Accuracy sebesar 90,00%, Precision sebesar 90,82%, Recall sebesar 89,00%, dan F1-Score sebesar 89,90%, sedangkan XLM-RoBERTa memperoleh Accuracy sebesar 88,50%, Precision sebesar 85,32%, Recall sebesar 93,00%, dan F1-Score sebesar 89,00%. Keunggulan IndoBERT ditunjukkan oleh nilai Precision dan Accuracy yang lebih tinggi. Meskipun demikian, XLM-RoBERTa menunjukkan sensitivitas deteksi yang lebih tinggi, ditunjukkan oleh nilai Recall yang lebih unggul serta jumlah false negative yang lebih rendah dibandingkan IndoBERT. Penelitian ini berkontribusi secara praktis dalam penyediaan rekomendasi model untuk sistem moderasi konten otomatis, dan secara akademis sebagai studi komparatif yang mendukung pengembangan teknologi NLP untuk menciptakan ruang digital yang lebih aman.
Kata kunci: IndoBERT, XLM-RoBERTa, Transformer, pelecehan seksual, NLP, X.

Social media platforms such as X have become one of the primary spaces for people to communicate and express opinions, but they have also become places where text-based sexual harassment frequently occurs. Manual efforts to detect harmful content are no longer effective due to the high volume of data. Therefore, this study aims to compare the performance of two leading Transformer models, namely IndoBERT and XLM-RoBERTa, in detecting Indonesian-language texts containing elements of sexual harassment. The research method used is a quantitative approach with a comparative experimental design. The dataset, consisting of 2,000 posts collected from X, was processed through preprocessing stages and labeled into two balanced classes: harassment and non-harassment. Both models were then fine-tuned and evaluated using the Accuracy, Precision, Recall, and F1-Score metrics. The results show that the IndoBERT model achieved better overall performance than XLM-RoBERTa, obtaining an Accuracy of 90.00%, Precision of 90.82%, Recall of 89.00%, and an F1-Score of 89.90%, while XLM-RoBERTa obtained an Accuracy of 88.50%, Precision of 85.32%, Recall of 93.00%, and an F1-Score of 89.00%. IndoBERT's superiority is reflected in its higher Precision and Accuracy. However, XLM-RoBERTa demonstrated higher detection sensitivity, as reflected in its higher Recall and lower number of false negatives compared to IndoBERT. Practically, this research contributes by providing model recommendations for automated content moderation systems, while academically, it serves as a comparative study supporting the development of NLP technology to create safer digital spaces. Keywords: IndoBERT, XLM-RoBERTa, Transformer, sexual harassment, NLP, X.