Ujaran kebencian telah menjadi perhatian yang semakin meningkat di era digital, terutama selama masa pemilu. Kompetisi politik dan polarisasi opini publik dapat menciptakan lingkungan yang rentan terhadap penyebaran ujaran kebencian. Berdasarkan hasil penelitian, ditemukan bahwa jumlah ujaran kebencian meningkat secara signifikan menjelang pemilu 2024. Fenomena ini menggambarkan tantangan berkelanjutan dalam mengendalikan dan mengurangi ujaran kebencian, terutama selama periode pemilu. Mengingat volume konten yang sangat besar di platform media sosial, mengidentifikasi ujaran kebencian secara manual menjadi tugas yang sulit dan memakan waktu, sehingga diperlukan solusi otomatis yang efisien dan akurat. Penelitian ini bertujuan menemukan model terbaik untuk mendeteksi ujaran kebencian dan mengidentifikasi topik-topik utama yang dibahas selama periode Pemilu Presiden 2024. Data dari Twitter yang diambil sejak Januari hingga Maret 2024 diproses dan diklasifikasi untuk mendeteksi ujaran kebencian dengan menggunakan algoritma machine learning Random Forest, SVM, dan Decision Tree serta algoritma deep learning CNN dan BERT. Hasilnya menunjukkan bahwa BERT memberikan tingkat akurasi terbaik sebesar 95%. Pemodelan topik dengan Latent Dirichlet Allocation (LDA) menghasilkan 17 topik utama, termasuk diantaranya ajakan untuk tidak memilih pasangan calon tertentu, penghinaan terhadap calon presiden, isu dinasti politik, dan tuduhan kecurangan oleh rezim dalam Pemilihan Presiden 2024.

---

Hate speech has become an increasing concern in the digital age, especially during elections. Political competition and polarization of public opinion can create an environment vulnerable to the spread of hate speech. Research results show that the amount of hate speech leading up to the 2024 election has increased significantly. This phenomenon illustrates the ongoing challenges of controlling and reducing hate speech, especially during elections. Given the massive volume of content on social media platforms, manually identifying hate speech becomes a difficult and time-consuming task, thus efficient and accurate automated solutions are needed. This research aims to find the best model to detect hate speech and identify the main topics discussed during the 2024 Presidential Election period. Data from Twitter taken from January to March 2024 was processed and classified to detect hate speech using Random Forest, SVM, and Decision Tree machine learning algorithms as well as CNN and BERT deep learning algorithms. The results show that BERT provides the best accuracy rate of 95%. Topic modeling with Latent Dirichlet Allocation (LDA) produced 17 main topics, including influences to not to vote for specific candidates, insults to presidential candidates, political dynastic issues, and allegations of fraud by the regime in the 2024 Presidential Election.