📋 Tentang Proyek

Proyek ini membangun sistem deteksi cyber-incivility (ketidaksopanan siber) otomatis untuk komentar media sosial berbahasa Indonesia, mencakup ujaran SARA, body shaming, cyberbullying, hoaks, dan provokasi, menggunakan model bahasa NusaBERT yang dilatih secara multi-task.

Mengapa proyek ini dibuat

Komentar media sosial Indonesia sering mencampur bahasa (Indonesia baku, bahasa daerah, Inggris) dan memakai gaya bahasa informal, sehingga model deteksi ujaran kebencian yang dilatih pada teks formal umumnya kurang akurat. Proyek ini membangun korpus berlabel in-domain dari komentar YouTube Indonesia, dikombinasikan dengan korpus eksternal, untuk melatih model yang lebih sesuai dengan konteks lokal.

Skema Klasifikasi

C0-NTR (Netral): Bukan incivility, seperti sapaan, opini wajar, kritik sopan
C1-SARA (SARA): Kebencian suku, agama, ras, antargolongan
C2-BDY (Body Shaming): Hinaan terhadap fisik/penampilan
C3-CBL (Cyberbullying): Serangan personal ke individu bernama
C4-HOX (Hoaks): Klaim palsu yang ditegaskan sebagai fakta
C5-PRV (Provokasi): Hasutan kekerasan, hinaan kolektif, ancaman

Label tambahan: Sentimen (NEG/NET/POS) dan Campur Kode (CM-ID/CM-REG/CM-ENG/CM-MIX).

Dataset

28.958

Total instans

23.166

Data latih

2.896

Data validasi

2.896

Data uji

Dataset menggabungkan korpus in-domain LWSEM (komentar YouTube Indonesia, label dikurasi ulang dari anotasi awal yang tidak reliabel) dengan tiga korpus eksternal sebagai penyokong kelas minoritas:

Ibrohim & Budi (2019): korpus hate-speech Twitter Indonesia
IDNHoaxCorpus / UMPO (2020): korpus hoaks Twitter Indonesia
Sutoyo dkk. (2023): korpus body-shaming komentar TikTok Indonesia

Model & Hasil

NusaBERT-base

Backbone

86,6%

Akurasi (validasi)

0,759

Macro-F1 klaster

Model multi-task berbagi satu encoder NusaBERT-base (~110 juta parameter) dengan tiga head klasifikasi: klaster incivility (tugas utama), sentimen, dan campur kode, dilatih dengan focal loss dan pembobotan kelas untuk menangani ketimpangan data yang ekstrem.