Pemanfaatan Fitur Tambahan Emosi Untuk Deteksi Hate Speech Media Sosial Bahasa Indonesia

Clement, Michael Joy (Universitas Multi Data Palembang)
Irsyad, Hafiz (Universitas Multi Data Palembang)

Progresif: Jurnal Ilmiah Komputer
Vol 22, No 1 (2026): Januari

This study examines the importance of incorporatring emotion features and enhancing the temporal robustness of hate-speech detection models to improve classification accuracy. The research aims to analyze the impact of emotion features on an IndoBERT based model and to evaluate the model’s adaptability using an unsupervised self-learning approach. The dataset consists of two corpora, a public dataset from 2019 and twitter data from 2025, each divided into training, validation, and test sets with an 80%, 10%, 10% split. Model performance is evaluated using accuracy, precision, recall and F1-score calculated from confusion matrix. Experimental results show that adding emotion features increases accuracy by 1-2% across all scenarios. In cross-temporal testing, the supervised model performance declines duet o linguistic shifts whereas the self-learning method improves accuracy up to 77.67%. These findings indicate that emotion features and self-learning effectively enhance the model’s ability to adapt to evolving language and social context.Keyword: Emotion; Hate speech detection; IndoBERT AbstrakPenelitian ini membahas pentingnya penambahan fitur emosi dan peningkatan ketahanan model deteksi ujaran kebencian terhadap perubahan bahasa lintas waktu guna memperkuat akurasi klasifikasi. Tujuan penelitian adalah menganalisis pengaruh fitur emosi pada model berbasis IndoBERT dan mengevaluasi kemampuan adaptasi model menggunakan pendekatan unsupervised self-learning. Data menggunakan dua korpus yaitu dataset publik tahun 2019 dan data Twitter tahun 2025, yang masing-masing dibagi menjadi data latih dan data latih, validasi, dan uji dengan proporsi 80%, 10%, dan 10%. Model dievaluasi menggunakan accuracy, precision, recall, dan F1-score yang dihitung melalui confusion matrix. Hasil pengujian menunjukkan bahwa penambahan fitur emosi meningkatkan akurasi sebesar 1-2% di seluruh skenario. Pada pengujian lintas waktu, performa model supervised menurun akibat perubahan konteks linguistik, namun metode self-learning meningkatkan akurasi hingga 77.67%. temuan ini menunjukkan bahwa fitur emosi dan self-learning efektif meningkatkan adaptasi model terhadap dinamika bahasa serta konteks sosial.Kata kunci: Seteksi ujaran kebencian; Emosi; IndoBERT