Article Per Year (5 Year)
p-Index From 2021 - 2026
0.23
P-Index
This Author published in this journals
All Journal Malcom: Indonesian Journal of Machine Learning and Computer Science
Salsabella, Elma
Unknown Affiliation
Computer Science & IT

Published : 1 Documents Claim Missing Document
Claim Missing Document
Check
Articles

Found 1 Documents
Search

 1 
Pengembangan Framework Explainable Multi-Task Transformer untuk Deteksi dan Klasifikasi Tingkat Keparahan Cyberbullying pada Komentar Media Sosial: Development of an Explainable Multi-Task Transformer Framework for Detecting and Classifying the Severity of Cyberbullying in Social Media Comments Salsabella, Elma; Riskiono, Sampurna Dadi
MALCOM: Indonesian Journal of Machine Learning and Computer Science Vol. 6 No. 3 (2026): MALCOM July 2026
Publisher : Institut Riset dan Publikasi Indonesia

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.57152/malcom.v6i3.2800

Abstract

Cyberbullying di media sosial menjadi ancaman serius bagi kesehatan mental pengguna internet di Indonesia. Namun, penelitian deteksi otomatis cyberbullying berbahasa Indonesia masih terbatas dan umumnya hanya berfokus pada klasifikasi biner tanpa mempertimbangkan tingkat keparahan (severity) serta interpretabilitas model. Penelitian ini mengusulkan pendekatan Multi-Task Learning (MTL) berbasis IndoBERT untuk melakukan deteksi cyberbullying dan klasifikasi severity empat kelas secara simultan dalam satu model. Dataset terdiri dari 4.795 komentar media sosial berbahasa Indonesia yang diperoleh melalui pendekatan auto-labeling hybrid berbasis aturan dan penyempurnaan semi-supervised. Validasi manual dan pengecekan konsistensi dilakukan untuk meningkatkan kualitas label sebelum pelatihan model. Hasil eksperimen menunjukkan bahwa model memperoleh weighted F1-score sebesar 0,9374 untuk deteksi cyberbullying dan 0,9027 untuk klasifikasi severity, serta mengungguli baseline Support Vector Machine (SVM) dan Bidirectional Long Short-Term Memory (BiLSTM). Ablation study menunjukkan bahwa pendekatan multi-task dan preprocessing memberikan kontribusi signifikan terhadap peningkatan performa. Selain itu, integrasi Explainable Artificial Intelligence (XAI) menggunakan Local Interpretable Model-agnostic Explanations (LIME) menunjukkan bahwa kata-kata toksik menjadi fitur dominan dalam prediksi model. Penelitian ini membuktikan bahwa pendekatan yang diusulkan efektif dan robust untuk mendeteksi cyberbullying pada data media sosial yang bersifat noisy.
Co-Authors Riskiono, Sampurna Dadi