Pengaruh Augmentasi Data pada Fine-Tuning Model IndoBERT dalam Analisis Sentimen
Tahun 2026 · Penulis: Almas Firdaus
Faculty of Computer Science, Universitas Jember
Tautan: https://repository.unej.ac.id/handle/123456789/14518
Abstrak
Teks yang dipakai untuk pengindeksan BM25 dan IndoSBERT
Terjemahan mesin (opus-mt-en-id) · dipakai untuk pengindeksan
Pengaruh Augmentasi Data pada Fine-Tuning Model IndoBERT dalam Analisis Sentimen
Ketidakseimbangan kelas adalah salah satu tantangan utama dalam analisis sentimen karena model klasifikasi cenderung mendukung kelas mayoritas, mengakibatkan kinerja yang lebih rendah pada kelas minoritas. Penelitian ini bertujuan untuk meningkatkan kinerja analisis sentimen Indonesia pada data SmSA dengan menerapkan tiga teknik augmentasi data, yaitu Back-Translation (BT), Sintim Penggantian (SR), dan Antonym Replacement (AR), menggunakan model IndoBERT. Augmentasi data hanya diterapkan pada kelas sentimen negatif sampai ukurannya seimbang dengan kelas positif. Pendekatan Translasi-Sentuh menggunakan skema terjemahan multi-hop dari Indonesia → Inggris → Bahasa Cina → Indonesia. Penggantian Sinonim memanfaatkan Thesaurus Indonesia dengan validasi kontekstual embedding menggunakan IndoBERT, sementara Antonym Penggantian segmentasi dimasukkan segmentasi tingkat klausa, substitusi kontekstual, Penganganan Kerjaan Negasi, dan Penyanggaan Negasi. Sebelum pentahiran yang baik, beberapa konfigurasi tingkat belajar dievaluasi, dan tingkat belajar 1e-5 dipilih sebagai pengaturan optimal. Model kinerja dievaluasi menggunakan Accuracy, Precision, Recall, dan F1-Score di lima skenario eksperimental. Hasilnya menunjukkan bahwa Back-Translation mencapai akurasi tertinggi 91,80% dengan nilai F1-Score 89,59%. Kombinasi dari ketiga metode pembesaran mencapai tertinggi F1-Score (89,65%) dan Recall (89,39%), sementara Sintim Penggantian dan Penggantian Antonym memperoleh F1-Scores 88,80% dan 88,90%, masing-masing. Dibandingkan dengan model dasar, yang mencapai 91.40% dan sebuah F1-Score dari 88.64%, semua metode pembesaran meningkatkan kinerja klasifikasi F1-Score, menunjukkan kinerja yang lebih baik. Penemuan ini menunjukkan bahwa Back-Translation, Sintim Penggantian, dan Antonym Penggantian efektif meningkatkan kualitas pelatihan data dan meningkatkan kinerja IndoBERT untuk analisis sentimen Indonesia.
Dokumen Serupa
Berdasarkan kemiripan vektor embedding IndoSBERT (cosine similarity).
- Cosine 0,816
Tahun 2026 · Penulis: Salsabil Hafadz Muttaqin
Perbandingan FastText, Word2Vec, dan GloVe sebagai Metode Representasi Dokumen untuk Model Klasifikasi IndoBERT
Di era digital, media sosial telah menjadi wadah utama bagi masyarakat untuk mengekspresikan kondisi emosional dan psikologis mereka. Hal ini menghasilkan kumpulan data teks yang melimpah namun sangat kompleks, terutama terkait isu kesehatan mental. Teks semac
- Cosine 0,802
Tahun 2026 · Penulis: Dini Indriani
Analisis Penerapan Algoritma Naive Bayes dengan Seleksi Fitur untuk Klasifikasi Penerima Program Sembako di Kabupaten Banyuwangi
Ketidakakuratan menargetkan dalam distribusi Program Sembako tetap menjadi tantangan di pemberontakan Brayuwangi. Penelitian ini bertujuan untuk menganalisis aplikasi algoritma Naive Bayes dengan fitur Penentuan Informasi seleksi untuk mengklasifikasikan pener
- Cosine 0,795
Tahun 2026 · Penulis: Alfina Halisa Firdhaus
Analisis Performa DenseNet201 dengan Variasi Optimizer untuk Klasifikasi Usia Berdasarkan Citra Wajah
Klasifikasi usia berdasarkan citra wajah merupakan salah satu permasalahan pada bidang computer vision. Selain arsitektur model, pemilihan optimizer juga berperan penting dalam menentukan performa dan stabilitas proses pelatihan. Penelitian ini bertujuan untuk