[{"data":1,"prerenderedAt":-1},["ShallowReactive",2],{"doc-detail-119787-id":3,"doc-seo-119787-113":31,"detail-sidebar-cat-0-id-113":93},{"code":4,"msg":5,"data":6},0,"success",{"doc_id":7,"user_id":8,"nickname":9,"user_avatar":10,"doc_module":4,"category_id":11,"category_name":12,"doc_title":13,"doc_description":14,"doc_content":15,"file_id":16,"file_url":17,"file_type":18,"file_size":19,"view_count":20,"is_deleted":4,"is_public":21,"is_downloadable":21,"audit_status":21,"page_count":22,"language":23,"language_code":24,"site_id":25,"html_lang":24,"table_of_contents":26,"faqs":27,"seo_title":28,"seo_description":14,"update_tm":29,"read_time":30},119787,549768064622,"Anda","https://ap-avatar.wpscdn.com/davatar_6f874abed73319feea01a86fa6f0fab8",54,"Penelitian & Laporan","Perbandingan Tradisional dan Ensemble Machine Learning dalam Melakukan Klasifikasi Kalimat Ujaran Kebencian","Kalimat hate speech merupakan tindakan kejahatan yang berupa hinaan, fitnah, cacian, dan ujaran kebencian terhadap individu atau kelompok, yang kerap muncul di media sosial seperti Twitter. Penelitian ini menganalisis pengkategorian kalimat hate speech dengan machine learning melalui tahapan pre-processing (remove punctuations, lowercase, tokenizing, filtering, stemming) serta penanganan distribusi tidak seimbang menggunakan SMOTE. Representasi data dilakukan dengan TF-IDF dan pemodelan menggunakan Logistic Regression, Decision Tree, dan Naïve Bayes, lalu ditingkatkan dengan ensemble seperti AdaBoost dan Random Forest, dengan Logistic Regression mencapai akurasi terbaik 91,40.","Perbandingan Tradisional dan Ensemble Machine Learning dalam Melakukan Klasifikasi Kalimat Ujaran  \nKebencian  \nRidwan*1, Riyan Latifahul Hasanah2, Eni Heni Hermaliani3  \n1Program Studi Ilmu Komputer, Universitas Nusa Mandiri, Jakarta  \n2,3Program Studi Sistem Informasi, Universitas Nusa Mandiri, Jakarta  \ne-mail: *[1](114210121@nusamandiri.ac.id)[14210121@nusamandiri.ac.id](114210121@nusamandiri.ac.id), [2](2riyan.rlt@nusamandiri.ac.id)[riyan.rlt@nusamandiri.ac.id](2riyan.rlt@nusamandiri.ac.id),  \n[3](3 enie_h@nusamandiri.ac.id)[ enie_h@nusamandiri.ac.id](3 enie_h@nusamandiri.ac.id)  \nAbstrak  \nKalimat Hate Speech merupakan tindakan kejahatan yang diutarakan kepada individuatau kelompok berupa hinaan, fitnah, cacian yang berkaitan dengan ras, agama, budaya, dll. Hate Speech sering disampaikan melalui media sosial seperti Twitter. Hate speech mulai banyak tersebar di media sosial, sehingga penelitian ini bertujuan untuk melakukan analisis pengkategorian kalimat hate speech menggunakan machine learning. Pengkategorian dapat dilakukan dengan tahapan pre-processing yaitu remove punctuations, lowercase, tokenizing, filtering dan stemming. Dataset memiliki distribusi data yang tidak seimbang, sehingga metode SMOTE (Synthetic Minority Over-sampling Technique) sangat cocok untuk digunakan, dilanjutkan dengan menerapkan model features engineering yaitu TF-IDF (Term FrequencyInverse Document Frequency) dan menggunakan algoritma Logistic Regression, Decission Tree, dan Naïve Bayes, kemudian dilakukan pengembangan algoritma machine learning menggunakan metode ensemble, yaitu Adaptive Boosting (Adaboost) dan Random Forest. Algoritma Logistic Regression mendapatkan nilai akurasi terbaik yaitu sebesar 91,40 dan mampu mengunggulialgoritma lainnya.  \nKata kunci—hate speech, Logistic Regression, ensemble, Adaptive Boosting  \n1. PENDAHULUAN  \nMedia sosial merupakan sebuah alat untuk berkomunikasi sacara online dengan tujuan untuk mempermudah seseorang dalam melakukan sosialisasi secara intens dan membutuhkan  \nrespon yang cepat. Media sosial menjadi kebutuhan di dalam masyarakat dan bukan hanyasekedar dijadikan sebagai alat komunikasi. Salah satu media sosial yang umum untuk digunakanoleh masyarakat Indonesia yaitu Twitter[1] . Masyarakat dapat menggunakan Twitter sebagai media komunikasi dan juga dapat memberikan opini kepada publik secara gratis melalui kalimat yang disebut dengan Tweet. Tweet dapat bersifat positif maupun negatif. Tweet yang bersifat positif seperti kalimat pujian, motivasi, saran positif atau kalimat yang mengundang semangat, sedangkan kalimat yang bersifat negatif seperti opini negatif terhadap seseorang atau kelompok, ujaran kebencian, fitnah atau celaan [2][4][5] .  \nSaat ini media sosial mulai dijadikan alat untuk melakukan tindak kejahatan, salah satunya yaitu menyampaikan kalimat ujaran kebencian atau hate speech. Ujaran kebencianmerupakan kalimat yang disampaikan untuk mengekspresikan rasa benci terhadap individu, kelompok, ras yang dilakukan dengan tujuan untuk merendahkan atau mempermalukan[6][8] .  \nPemerintah Indonesia telah berkerjasama dengan penegak hukum untuk menurunkan maraknya kalimat ujaran kebencian dengan cara memberikan teguran langsung atau pemanggilankepada pihak berwenang. Pemerintah menerbitkan peraturan perundang undangan yaitu UU-ITE pasal 28 ayat 2 yang berisi bahwa setiap warga Indonesia dilarang untuk menyebar luaskan informasi yang dapat menimbulkan kebencian terhadap individu atau masyarakat tertentu.  \nPeraturan serupa pernah diperjelas dalam surat edaran (SE) Kapolri No. SE/06/X/2015 mengenaicakupan-cakupan dari beberapa jenis kalimat ujaran kebencian [8][9] .  \nEtika dalam berinteraksi di media sosial perlu dipublikasikan dan diterapkan, sesuai karakter masyarakat Indonesia yang mengedepankan nilai kesopanan dan tata krama[4][10][11] . Namun dalam media sosial interaksi yang dilakukan tidak secara langsung yaitu secara online, dapat dijadikan kesempatan bagi seseorang yang memiliki niat j","cbCaijDEeZUCRzW6","https://ap.wps.com/l/cbCaijDEeZUCRzW6","pdf",918674,5,1,11,"Indonesian","id",113,"# Pendahuluan\n## Latar belakang hate speech di media sosial\n## Landasan hukum terkait ujaran kebencian\n## Penelitian terkait deteksi hate speech menggunakan machine learning\n# Metodologi\n## Pre-processing dan fitur TF-IDF\n## Penanganan data tidak seimbang dengan SMOTE\n## Model klasifikasi dan ensemble learning","[{\"question\":\"Apa tujuan penelitian ini?\",\"answer\":\"Penelitian ini bertujuan melakukan analisis pengkategorian kalimat hate speech menggunakan metode machine learning.\"},{\"question\":\"Bagaimana penanganan data yang tidak seimbang pada dataset?\",\"answer\":\"Dataset memiliki distribusi tidak seimbang, sehingga digunakan metode SMOTE (Synthetic Minority Over-sampling Technique) untuk menyeimbangkan kelas.\"},{\"question\":\"Algoritma apa yang menghasilkan akurasi terbaik, dan berapa nilainya?\",\"answer\":\"Logistic Regression mendapatkan akurasi terbaik yaitu sebesar 91,40 dan mengungguli algoritma lainnya yang dibandingkan.\"}]","Perbandingan Tradisional dan Ensemble Machine Learning dalam Melakukan Klasifikasi Kalimat Ujaran Kebencian | PDF",1785726304,17,{"code":4,"msg":32,"data":33},"ok",{"site_id":25,"language":24,"slug":34,"title":13,"keywords":35,"description":14,"schema_data":36,"social_meta":88,"head_meta":90,"extra_data":92,"updated_unix":29},"comparison-of-traditional-and-ensemble-machine-learning-for-hate-speech-sentence-classification","",{"@graph":37,"@context":87},[38,55,70],{"@type":39,"itemListElement":40},"BreadcrumbList",[41,45,49,52],{"item":42,"name":43,"@type":44,"position":21},"https://docshare.wps.com","Home","ListItem",{"item":46,"name":47,"@type":44,"position":48},"https://docshare.wps.com/id/document/","Document",2,{"item":50,"name":12,"@type":44,"position":51},"https://docshare.wps.com/id/document/penelitian-laporan/",3,{"item":53,"name":13,"@type":44,"position":54},"https://docshare.wps.com/id/document/comparison-of-traditional-and-ensemble-machine-learning-for-hate-speech-sentence-classification/119787/",4,{"url":53,"name":13,"@type":56,"author":57,"headline":13,"publisher":59,"fileFormat":62,"inLanguage":24,"description":14,"dateModified":63,"datePublished":64,"encodingFormat":62,"isAccessibleForFree":65,"interactionStatistic":66},"DigitalDocument",{"name":9,"@type":58},"Person",{"url":42,"name":60,"@type":61},"DocShare","Organization","application/pdf","2026-08-15","2026-08-03",true,{"@type":67,"interactionType":68,"userInteractionCount":20},"InteractionCounter",{"@type":69},"ViewAction",{"@type":71,"mainEntity":72},"FAQPage",[73,79,83],{"name":74,"@type":75,"acceptedAnswer":76},"Apa tujuan penelitian ini?","Question",{"text":77,"@type":78},"Penelitian ini bertujuan melakukan analisis pengkategorian kalimat hate speech menggunakan metode machine learning.","Answer",{"name":80,"@type":75,"acceptedAnswer":81},"Bagaimana penanganan data yang tidak seimbang pada dataset?",{"text":82,"@type":78},"Dataset memiliki distribusi tidak seimbang, sehingga digunakan metode SMOTE (Synthetic Minority Over-sampling Technique) untuk menyeimbangkan kelas.",{"name":84,"@type":75,"acceptedAnswer":85},"Algoritma apa yang menghasilkan akurasi terbaik, dan berapa nilainya?",{"text":86,"@type":78},"Logistic Regression mendapatkan akurasi terbaik yaitu sebesar 91,40 dan mengungguli algoritma lainnya yang dibandingkan.","https://schema.org",{"og:url":53,"og:type":89,"og:title":13,"og:site_name":60,"og:description":14},"article",{"robots":91,"canonical":53},"index,follow",{"doc_id":7,"site_id":25},{"code":4,"msg":5,"data":94},[95,100,104,108,112,116,118,122,126,130,134],{"id":96,"doc_module":4,"doc_module_name":47,"category_name":97,"show_sort_weight":98,"slug":99},55,"Agama & Spiritualitas",60,"religion-spirituality",{"id":101,"doc_module":4,"doc_module_name":47,"category_name":102,"show_sort_weight":98,"slug":103},48,"Cerita & Novel","story-novel",{"id":105,"doc_module":4,"doc_module_name":47,"category_name":106,"show_sort_weight":98,"slug":107},56,"Gaya Hidup","lifestyle",{"id":109,"doc_module":4,"doc_module_name":47,"category_name":110,"show_sort_weight":98,"slug":111},51,"Komik","comic",{"id":113,"doc_module":4,"doc_module_name":47,"category_name":114,"show_sort_weight":98,"slug":115},53,"Layanan Kesehatan","healthcare",{"id":11,"doc_module":4,"doc_module_name":47,"category_name":12,"show_sort_weight":98,"slug":117},"research-report",{"id":119,"doc_module":4,"doc_module_name":47,"category_name":120,"show_sort_weight":98,"slug":121},49,"Sastra","literature",{"id":123,"doc_module":4,"doc_module_name":47,"category_name":124,"show_sort_weight":98,"slug":125},52,"Teknologi","technology",{"id":127,"doc_module":4,"doc_module_name":47,"category_name":128,"show_sort_weight":98,"slug":129},50,"Ujian","exam",{"id":131,"doc_module":4,"doc_module_name":47,"category_name":132,"show_sort_weight":98,"slug":133},57,"Umum","general",{"id":135,"doc_module":4,"doc_module_name":47,"category_name":136,"show_sort_weight":4,"slug":137},181,"Formulir","formulir"]