Klasifikasi Komentar Toxic Pada Sosial Media Menggunakan Model Long Short Term Memory (LSTM)

Perkembangan pesat media sosial meningkatkan interaksi digital yang juga diwarnai komentar Toxic yang merusak kualitas komunikasi dan kenyamanan pengguna. Oleh karena itu, deteksi otomatis komentar Toxic menjadi kebutuhan penting untuk mendukung pengelolaan konten secara efektif. Penelitian ini bertujuan mengembangkan model klasifikasi komentar Toxic serta mengukur akurasi dan performa Long Short-Term Memory (LSTM) dalam klasifikasi multi-label menggunakan 10.146 data hasil crawling dan scraping dari Twitter dan Instagram. Metode yang digunakan adalah LSTM dengan pendekatan multi-label. Tahapan penelitian meliputi preprocessing data, embedding kata, pelatihan model, serta evaluasi menggunakan metrik akurasi, precision, recall, dan F1-score. LSTM dipilih karena mampu mengingat konteks urutan kata dan menangani data sekuensial panjang secara efektif. Hasil penelitian menunjukkan model mampu memberikan prediksi yang tepat dan andal. Evaluasi menunjukkan metode tanpa Undersampling memperoleh micro average F1-score 0,53, macro average 0,41, dan weighted average 0,54, lebih tinggi dibandingkan metode dengan Undersampling. Penelitian ini juga diimplementasikan dalam antarmuka web interaktif menggunakan Streamlit yang dapat diakses publik melalui Ngrok.