Ardiaz, Darryl Naufal (2025) Deteksi komentar promosi judi online dan sentimen menggunakan RoBERTa pada siaran langsung turnamen Mobile Legends: Bang Bang (MLBB) di YouTube. Sarjana thesis, UIN Sunan Gunung Djati Bandung.
|
Text
1_cover.pdf Download (193kB) | Preview |
|
|
Text
2_abstrak.pdf Download (249kB) | Preview |
|
|
Text
3_skbebasplagiarism.pdf Download (85kB) | Preview |
|
|
Text
7_bab3.pdf Download (413kB) | Preview |
|
|
Text
4_daftarisi.pdf Download (175kB) | Preview |
|
|
Text
5_bab1.pdf Download (369kB) | Preview |
|
![[img]](https://digilib.uinsgd.ac.id/style/images/fileicons/text.png) |
Text
6_bab2.pdf Restricted to Registered users only Download (710kB) | Request a copy |
|
|
Text
8_bab4.pdf Restricted to Registered users only Download (969kB) | Request a copy |
|
|
Text
9_bab5.pdf Restricted to Registered users only Download (201kB) | Request a copy |
|
|
Text
10_daftarpustaka.pdf Restricted to Registered users only Download (213kB) | Request a copy |
|
|
Text
11_lampiran.pdf Restricted to Repository staff only Download (4MB) | Request a copy |
Abstract
Komentar promosi judi online dan ujaran kebencian di siaran langsung turnamen Mobile Legends: Bang Bang (MLBB) di YouTube menjadi masalah serius, mengganggu interaksi penonton dan berpotensi memengaruhi penonton di bawah umur. Sistem pengawasan manual dan filter kata kunci yang ada tidak efektif menghadapi volume dan variasi bahasa. Penelitian ini menggunakan metodologi CRISP-DM dan menerapkan model deep learning RoBERTa dengan pendekatan multitask learning. Model ini digunakan untuk mendeteksi komentar promosi judi online dan mengklasifikasikan sentimen secara bersamaan. Data komentar dikumpulkan dari kanal YouTube resmi turnamen MLBB (Januari-Juni 2025), dibersihkan, dilabeli secara manual, dan ditransformasi. Model RoBERTa dilatih menggunakan tiga skenario pembagian data (80:10:10, 70:15:15, dan 60:20:20 untuk latih-validasi-uji). Hasil evaluasi menunjukkan model mampu mendeteksi promosi judi online dengan F1-score paling tinggi mencapai 97.98% dan mengklasifikasikan sentimen dengan akurasi paling tinggi 76.36%. Model terbaik diimplementasikan dalam aplikasi web sederhana untuk pengawasan near real-time. Penelitian ini membuktikan efektivitas RoBERTa dalam menjaga ruang komentar yang sehat.
| Item Type: | Thesis (Sarjana) |
|---|---|
| Uncontrolled Keywords: | CRISP-DM; Multitask Learning; RoBERTa |
| Subjects: | Special Computer Methods > Artificial Intelligence |
| Divisions: | Fakultas Sains dan Teknologi > Program Studi Teknik Informatika |
| Depositing User: | Darryl Naufal Ardiaz |
| Date Deposited: | 25 Aug 2025 08:26 |
| Last Modified: | 25 Aug 2025 08:26 |
| URI: | https://digilib.uinsgd.ac.id/id/eprint/115981 |
Actions (login required)
 |
View Item |
