FINE-TUNING INDOBERT UNTUK KLASIFIKASI MULTI-LABEL KOMENTAR NEGATIF PADA MEDIA SOSIAL

Buana, Muhammad Davin Fraska (2024) FINE-TUNING INDOBERT UNTUK KLASIFIKASI MULTI-LABEL KOMENTAR NEGATIF PADA MEDIA SOSIAL. Other thesis, UPN "Veteran" Yogyakarta.

	Text Skripsi Full Muhammad Davin Fraska Buana - 123200171.pdf Restricted to Repository staff only Download (3MB)
	Text Cover.pdf Download (101kB)
	Text Abstrak.pdf Download (96kB)
	Text Lembar Pengesahan Pembimbing.pdf Download (198kB)
	Text Lembar Pengesahan Penguji.pdf Download (214kB)
	Text Daftar Isi.pdf Download (55kB)
	Text Daftar Pustaka.pdf Download (158kB)

Abstract

Pesatnya perkembangan media sosial di Indonesia, yang tercatat memiliki lebih dari
196,71 juta pengguna internet pada tahun 2019-2020, telah menciptakan platform terbuka
bagi masyarakat untuk menyampaikan pendapat, kritik, bahkan hujatan. Fenomena ini
membawa tantangan baru dalam menangani komentar negatif yang dapat merugikan
individu atau kelompok tertentu, seperti ujaran kebencian, radikalisme, pornografi, dan
pencemaran nama baik. Komentar-komentar negatif ini sering kali memberikan dampak
buruk bagi kenyamanan sosial dan keharmonisan antar kelompok. Oleh karena itu,
pemahaman yang tepat mengenai keempat label ini diperlukan untuk pengenalan dan
penanganan dini komentar negatif di masa depan.
Pada penelitian kali ini, dilakukan klasifikasi teks multi-label dengan menggunakan
model IndoBERT. Penelitian sebelumnya telah menunjukkan efektivitas model IndoBERT
dalam berbagai konteks, termasuk klasifikasi teks dan analisis sentimen. Metodologi
penelitian ini mencakup pengumpulan data, pra-pemrosesan data, pembagian data,
tokenisasi menggunakan BERT, pelatihan model, dan pengujian model. Model IndoBERT
akan dilatih ulang (fine-tuning) dengan menggunakan konfigurasi hyperparameter tertentu
untuk memperoleh performa terbaik.
Temuan pada pengujian menunjukkan bahwa model fine-tuning IndoBERT
memberikan hasil yang sangat baik dalam tugas klasifikasi multi-label pada data berbahasa
Indonesia. Model IndoBERT menunjukkan performa yang lebih unggul dibandingkan
dengan model klasifikasi teks lainya. Model terbaik memperoleh nilai sebesar 0.9368 untuk
accuracy, 0.9162 untuk precision, 0.7727 untuk recall, dan 0.8384 untuk F1-score dengan
kombinasi parameter batch size 64, epoch 10, max position embeddings 256, dropout rate
0.4, dan learning rate 2e-5.
Kata kunci : Komentar Negatif, Klasifikasi Multi-label, IndoBERT, Fine-Tuning BERT

Item Type:	Thesis (Other)
Uncontrolled Keywords:	Komentar Negatif, Klasifikasi Multi-label, IndoBERT, Fine-Tuning BERT
Subjects:	H Social Sciences > H Social Sciences (General)
Divisions:	Faculty of Engineering, Science and Mathematics > School of Engineering Sciences
Depositing User:	A.Md.SI Indah Lestari Wulan Aji
Date Deposited:	11 Dec 2024 03:38
Last Modified:	11 Dec 2024 03:38
URI:	http://eprints.upnyk.ac.id/id/eprint/41852

Actions (login required)

View Item