Analisis Kekerasan Berbasis Gender Online Menggunakan Contextual Word Embedding dan Bidirectional LSTM

Abstract

Pelecehan seksual yang terjadi di ranah media sosial semakin meningkat, terutama dalam bentuk Kekerasan Berbasis Gender Online (KBGO) yang menggunakan teknologi informasi dan komunikasi (TIK). Menurut UNHCR, pelecehan seksual adalah perilaku seksual yang tidak diinginkan dan dianggap sebagai bentuk kejahatan. Meskipun kasus KBGO menurun 25% dari tahun sebelumnya, ancaman ini tetap signifikan. Penelitian ini menggunakan metode klasifikasi bidirectional LSTM berbasis Contextual Embedding untuk menganalisis pola KBGO di Instagram. BiLSTM merupakan arsitektur jaringan saraf yang menggabungkan dua hidden neuron LSTM menjadi final state untuk memberikan konteks dari masa lalu (forward) dan masa mendatang (backward). Word2Vec digunakan sebagai teknik contextual embedding untuk merepresentasikan kata berdasarkan konteks sekitarnya dalam kalimat, sehingga memungkinkan model memahami makna kata dalam berbagai situasi secara lebih akurat. Hasil analisis menunjukkan bahwa komentar KBGO didominasi oleh kata-kata melecehkan. Model BiLSTM dengan embedding Skipgram menunjukkan performa terbaik dengan akurasi 80% pada data uji. Model efektif dalam mengidentifikasi komentar KBGO, meskipun terdapat tantangan berupa konteks komentar yang ambigu dan keterbatasan korpus. Hyperparameter tuning dengan Hyperband meningkatkan efisiensi dan kinerja model secara signifikan.