<![CDATA[Media sosial telah menjadi salah satu sarana komunikasi utama di dunia modern, tetapi juga menjadi platform di mana ujaran kebencian dapat dengan mudah menyebar. Penelitian ini bertujuan untuk mengevaluasi model klasifikasi ujaran kebencian dengan menggunakan algoritma K-Nearest Neighbors (K-NN) dan teknik pendekatan ekstraksi fitur, yaitu Bag of Words (BoW), Term Frequency-Inverse Document Frequency (TF-IDF), dan N-Grams. Dataset yang digunakan dalam penelitian ini, terdiri dari 13.169 data, yang mencakup berbagai jenis ujaran kebencian yang umum ditemukan di platform media sosial. Dalam eksperimen ini, kami menguji performa model dengan menggunakan pendekatan tunggal dari masing-masing teknik ekstraksi fitur serta kombinasi dari ketiganya (BoW + TF-IDF + N-Grams). Hasil eksperimen menunjukkan bahwa model K-NN mencapai performa terbaik saat parameter k diatur pada nilai 3 (k=3). Pada konfigurasi ini, model menghasilkan akurasi sebesar 86.88%, dengan nilai precision mencapai 88.27%, recall sebesar 86.88%, dan F1 Score sebesar 86.50%. Hasil ini menunjukkan bahwa teknik ekstraksi fitur TF-IDF dan K-NN dapat memberikan kinerja terbaik dalam mengklasifikasikan ujaran kebencian.]]>
Copyrights © 2025
