IMPLEMENTASI MODEL HYBRID CNN DAN BiLSTM UNTUK DETEKSI CYBERBULLYING DI MEDIA SOSIAL

Perkembangan media sosial yang pesat telah menghadirkan tantangan baru berupa
meningkatnya kasus cyberbullying di ruang digital. Fenomena ini berdampak negatif
terhadap kesehatan mental dan interaksi sosial pengguna, terutama di kalangan remaja.
Oleh karena itu, dibutuhkan sistem cerdas yang mampu mendeteksi komentar bermuatan
cyberbullying secara otomatis dan akurat. Penelitian ini bertujuan untuk
mengimplementasikan model deep learning berbasis hybrid Convolutional Neural
Network (CNN) dan Bidirectional Long Short-Term Memory (BiLSTM) dengan Attention
Layer, yang dioptimalkan melalui tokenisasi berbasis IndoBERT untuk mendeteksi
komentar cyberbullying berbahasa Indonesia. Dataset yang digunakan berasal dari media
sosial Instagram, Twitter, dan YouTube, yang telah melalui tahap pembersihan dan
normalisasi. Proses pelatihan model dilakukan dengan pembagian data training dan
validation menggunakan stratified split dengan rasio 80:20 serta penerapan class weight
untuk mengatasi ketidakseimbangan data.
Hasil penelitian menunjukkan bahwa model CNN–BiLSTM dengan Attention Layer
mampu mengenali pola kata dan konteks kalimat secara efektif. Berdasarkan hasil
pengujian, model mencapai nilai akurasi sebesar 92,8%, dengan precision dan recall yang
seimbang setelah dilakukan threshold tuning pada nilai 0,68. Selain itu, model
diintegrasikan ke dalam sistem informasi berbasis web yang mampu melakukan deteksi
otomatis terhadap komentar pengguna. Dengan demikian, penelitian ini diharapkan dapat
berkontribusi dalam pengembangan sistem pendeteksi cyberbullying berbahasa Indonesia
yang adaptif terhadap variasi bahasa informal, serta dapat membantu moderator konten
dan masyarakat dalam menjaga etika komunikasi di ruang digital.
Kata kunci: Cyberbullying, CNN–BiLSTM, Attention Layer, IndoBERT, Sistem
Informasi, Deep Learning