Semi-Supervised Menggunakan Indobert-Fine-Tuning untuk Analisis Sentimen Kebijakan Makan Bergizi Gratis (MBG)

Oleh :
Daffa Rafi Aryaputra - L0122039 - Fak. Teknologi Informasi dan Sains Data

Program Makan Bergizi Gratis (MBG) merupakan program strategis pemerintah menuju Indonesia Emas 2045 yang memunculkan beragam respons dari masyarakat. Penelitian ini bertujuan untuk melakukan pendekatan klasifikasi sentimen terhadap kebijakan MBG berdasarkan tweet berbahasa Indonesia di platform X, dengan membandingkan performa tiga model pre-trained yang berupa indobenchmark/indobert-base-p2, indolem/IndoBERTweet-base-uncased, dan flax-community/indonesian-roberta-base menggunakan pendekatan semi-Supervised learning (SSL). Penelitian ini memanfaatkan 1.103 data berlabel dan 10.499 data tidak berlabel, Untuk mengatasi terbatasnya data berlabel, teknik pseudo-labeling diterapkan guna melabeli data yang tidak berlabel tersebut. Hasil penelitian ini menunjukkan bahwa penerapan teknik SSL terbukti mampu meningkatkan performa klasifikasi model. Peningkatan performa terlihat pada model IndoBERTweet-Base-Uncased sebagai model paling unggul dengan pencapaian Weighted F1-score sebesar 0,8315 dan akurasi 0,8303, mengungguli IndoBERT-Base-P2 dengan Weighted F1-score sebesar 0,8232 dan akurasi 0,8242, dan Indonesian-RoBERTa-Base dengan Weighted F1-score sebesar 0,8258 dan akurasi 0,8303. Untuk meningkatkan interpretabilitas, penelitian ini mengintegrasikan Explainable AI, dengan SHAP dan LIME yang memberikan wawasan mengenai proses pengambilan keputusan model.