Implementasi Large Language model QWEN3.5-4B untuk deteksi Chat Toksik dan sanksi otomatis pada Platform Roblox

Hidayatulloh, Irsyad Nur (2026) Implementasi Large Language model QWEN3.5-4B untuk deteksi Chat Toksik dan sanksi otomatis pada Platform Roblox. Sarjana thesis, UIN Sunan Gunung Djati Bandung.

Preview	Text 1_cover.pdf Download (241kB) | Preview
Preview	Text 2_abstrak.pdf Download (389kB) | Preview
Preview	Text 3_skbebasplagiarism.pdf Download (458kB) | Preview
Preview	Text 4_daftarisi.pdf Download (307kB) | Preview
Preview	Text 5_bab1.pdf Download (797kB) | Preview
	Text 6_bab2.pdf Restricted to Registered users only Download (854kB) | Request a copy
	Text 7_bab3.pdf Restricted to Registered users only Download (1MB) | Request a copy
	Text 8_bab4.pdf Restricted to Registered users only Download (1MB) | Request a copy
	Text 9_bab5.pdf Restricted to Registered users only Download (451kB) | Request a copy
	Text 10_daftarpustaka.pdf Restricted to Registered users only Download (334kB) | Request a copy

Abstract

Roblox merupakan platform game dengan basis pengguna yang didominasi anak-anak dan remaja, namun sistem moderasi obrolan bawaannya masih rentan terhadap variasi bahasa gaul, singkatan, dan manipulasi karakter atau leetspeak khas bahasa Indonesia, sehingga banyak konten toksik yang lolos dari deteksi. Penelitian ini bertujuan merancang dan mengimplementasikan sistem moderasi obrolan otomatis berbasis Large Language Model Qwen3.5-4B pada platform Roblox, mengukur kinerja operasional sistem secara real-time, serta mengevaluasi akurasi model dalam mengklasifikasikan teks ke dalam tiga kategori yaitu neutral, racist, dan harassment. Penelitian menggunakan metodologi CRISP-DM yang dibatasi hingga tahap Evaluation, meliputi fine-tuning model menggunakan metode QLoRA 4-bit pada dataset sebanyak 9.000 baris percakapan berbahasa Indonesia dengan rasio pembagian 80% data latih, 10% data validasi, dan 10% data uji. Model yang telah dilatih diintegrasikan ke platform Roblox melalui layanan REST API Ollama dan HTTP tunneling Ngrok dengan menerapkan arsitektur pre-moderation proaktif menggunakan antarmuka obrolan kustom. Guna menjaga kenyamanan pengalaman bermain, sistem turut dilengkapi mekanisme Optimistic Local Echo dan mitigasi Fail-Open Fallback. Hasil pengujian menunjukkan model hasil fine-tuning mencapai akurasi 87,11%, meningkat drastis dari model dasar yaitu 56,67%. Kinerja operasional sistem mencatatkan latensi rata-rata pemrosesan API sebesar 0,58 detik pada kondisi sekuensial dan 0,74 detik pada kondisi concurrent. Pengujian fungsional membuktikan sistem berhasil menahan pesan, menyensor konten toksik sebelum dipublikasikan ke publik, serta mengeksekusi sanksi otomatis berupa pengurangan Health Points tanpa memicu lag pada permainan.

Actions (login required)

View Item