Perundungan siber pada platform komunikasi daring menimbulkan dampak psikologis yang serius bagi korban, sementara mekanisme moderasi Discord saat ini masih bertumpu pada pelaporan manual yang tidak skalabel untuk menangani volume pesan yang besar. Penelitian ini bertujuan membangun sistem deteksi perundungan siber otomatis untuk pesan berbahasa Indonesia pada platform Discord sebagai solusi atas keterbatasan tersebut, menggunakan algoritma Multinomial Naïve Bayes dengan pembobotan TF-IDF. Sebanyak 71.591 pesan mentah diekstraksi dari empat server Discord dan dibersihkan menjadi 49.712 pesan. Kandidat perundungan disaring melalui empat tahap berlapis, yaitu pencocokan leksikon kata kasar, pemindaian pola frasa, penyaringan dibantu model, serta pemindaian penanda identitas, sehingga diperoleh 3.027 pesan berlabel dalam enam kelas. Data diproses melalui tujuh tahap praproses dan diklasifikasikan pada dua skema, yaitu enam kelas dan biner. Hasil pengujian menunjukkan akurasi 0,802 dengan macro-F1 0,531 pada skema enam kelas, serta akurasi 0,822 dengan macro-F1 0,687 pada skema biner. Validasi silang lima lipat menghasilkan hasil yang stabil (0,817 ± 0,010 dan 0,823 ± 0,014). Dibandingkan penebak kelas mayoritas, model meningkatkan macro-F1 sebesar 55,9 persen. Analisis kesalahan memperlihatkan 74,6 persen kekeliruan berupa pesan perundungan yang terlewat, sedangkan kekeliruan antar kategori hanya 0,8 persen. Uji ablasi membuktikan bahwa penyeimbangan kelas melalui penggandaan data justru menurunkan kinerja karena mendistorsi peluang awal. Dengan kinerja yang stabil dan tingkat kekeliruan antar kategori yang sangat rendah, sistem ini layak digunakan sebagai alat bantu moderator Discord untuk memprioritaskan pesan yang berpotensi mengandung perundungan, bukan sebagai penindak mandiri.