본 논문은 Ibrohim 과 Budi 의 코퍼스에서 HS 라벨을 사용하여 인도네시아 트위터의 이분법적 혐오 표현 감지에 대해 PyCaret AutoML 분지와 CNN-BiLSTM 분지를 비교합니다. 두 분지는 동일한 전처리 파이프라인을 공유하여 비교가 모델링 차이를 반영하도록 합니다. 전통적인 분지는 TF-IDF 와 사전 기반 악용 단어 카운트를 사용하며, 신경망 분지는 밀도 토큰 표현을 학습하고 지역적 구문 패턴과 양방향 문맥을 포착합니다. 벤치마크는 13,130 행의 주석 표에서 구축되었으며, HS 라벨은 58:42 클래스 비율을 생성합니다. 홀드아웃 스플릿에서 CNN-BiLSTM 은 83.8% 정확도, 79.8% 정밀도, 82.7% 재현율, 및 81.2% F1 점수를 달성하여 가장 좋은 결과를 보입니다. PyCaret 분지 내에서 Random Forest 는 77.2% 정확도와 77.0% F1 점수로 가장 강력한 전통적인 모델입니다. 따라서 신경망 분지는 정확도를 6.6 포인트, F1 점수를 4.2 포인트 개선합니다. 탐구적 코퍼스 분석, 학습 곡선, 및 혼동 행렬은 데이터셋이 짧은 텍스트이며, 중간 불균형이며, 여전히 어려운 것으로 보입니다. 많은 결정이 지역적 단어 단서와 짧은 문맥 구성에 의존하기 때문입니다. 연구는 PyCaret AutoML 이 효과적인 전통적인 벤치마킹 프레임워크이며, CNN-BiLSTM 이 보고된 벤치마크 설정에서 더 강력한 엔드 모델임을 결론지었습니다.