<![CDATA[Fenomena trash talking (ujaran provokatif) dalam konten Mobile Legends: Bang Bang di YouTube dapat memengaruhi pola komunikasi di kalangan audiens muda, khususnya remaja. Penelitian ini bertujuan untuk menganalisis bentuk linguistik trash talking pada kanal Jonathan Liandi, mengembangkan pengklasifikasi otomatis untuk komentar trash talking, dan menguji potensi dampaknya terhadap penonton. Korpus sebanyak 500 komentar YouTube dikumpulkan melalui web scraping dan diproses awal menggunakan case folding, cleansing, normalisasi, tokenisasi, penghapusan stopword (stopword removal), dan stemming. Fitur diekstraksi menggunakan metode Term Frequency–Inverse Document Frequency (TF–IDF) dan diklasifikasikan dengan algoritma k-Nearest Neighbor (KNN) dengan nilai k=3. Dataset dibagi menjadi 80% untuk pelatihan (training) dan 20% untuk pengujian (testing), serta kinerja model dievaluasi menggunakan akurasi, presisi, recall, dan F1−score. Temuan mengungkapkan bahwa trash talking muncul dalam delapan kategori linguistik, termasuk istilah hewan, bagian tubuh, kata sifat, kata benda, kata kerja, kondisi atau keadaan, profesi atau status sosial, dan makian spontan (spontaneous expletives). Model KNN mencapai akurasi 85%, presisi 93,5%, recall 78,2%, dan F1−score 85,1%, yang menunjukkan bahwa TF–IDF yang dikombinasikan dengan KNN menyediakan garis dasar (baseline) yang efektif untuk mendeteksi bahasa ofensif dalam komentar terkait game. Trash talking dalam konten yang dianalisis bervariasi dan sangat terlihat di kalangan audiens. Meskipun pendekatan komputasi ini terbukti cocok untuk deteksi tahap awal, integrasi model yang peka konteks seperti deep learning serta promosi literasi digital yang lebih kuat dan kebijakan pembatasan usia disarankan untuk memitigasi dampak perilaku negatif.]]>
Copyrights © 2025
