KRESNA MEDIAKRESNA MEDIA

Jurnal Riset InformatikaJurnal Riset Informatika

Penelitian ini mengusulkan metode pelabelan Query by Committee (QBC) untuk meningkatkan akurasi model klasifikasi—khususnya XLM-RoBERTa—dan untuk meningkatkan efisiensi pelabelan dibandingkan dengan pelabelan manual tersupervisi, yang umumnya membutuhkan lebih banyak waktu dan sumber daya. Dataset terdiri dari ulasan aplikasi industri kesehatan yang belum dianotasi yang diambil dari Google Play. Enam strategi pelabelan yang berbeda diterapkan sebagai masukan untuk fine-tuning model XLM-RoBERTa di bawah pengaturan hyperparameter yang identik. Enam pendekatan pelabelan dievaluasi, yaitu pelabelan berbasis Rating, pelabelan berbasis Leksikon, QBC untuk pelabelan Rating-Vader, QBC untuk pelabelan Rating-Pseudo, QBC untuk pelabelan Vader-Pseudo, dan triplet QBC untuk pelabelan Rating-Pseudo-Vader. Setiap dataset yang telah dilabeli dibagi menggunakan stratified random sampling, dan bobot kelas diatur ke auto selama pelatihan untuk mengatasi ketidakseimbangan label. Semua model kemudian diuji pada dataset uji IndoNLU SmSA, dengan perbandingan kinerja dalam hal akurasi, presisi, recall, dan F1-score. Hasil menunjukkan bahwa pendekatan QBC triplet (menggabungkan pelabelan Rating, VADER, dan Pseudo) mengungguli semua metode lain, mencapai akurasi 91,4%, presisi 91,28%, recall 91,4%, dan F1-score 91,21%. Temuan ini menunjukkan bahwa metode pelabelan QBC dapat berfungsi sebagai alternatif yang efektif dan efisien untuk anotasi manual untuk tugas klasifikasi serupa.

Metode Query by Committee (QBC) yang menggabungkan Rating, VADER, dan Pseudo labeling berhasil meningkatkan akurasi dan efisiensi klasifikasi analisis sentimen.Pendekatan ini mengurangi kesalahan label dan ketidakseimbangan kelas dengan memanfaatkan perspektif multi-labeler.Hasil penelitian menunjukkan bahwa QBC triplet memberikan kinerja terbaik dibandingkan metode lain, dengan akurasi hingga 91,4%.Namun, masih diperlukan peningkatan kualitas terjemahan dan pengelolaan kelas netral untuk meningkatkan generalisasi model.

Penelitian lanjutan dapat fokus pada pengembangan model terjemahan khusus untuk meningkatkan akurasi analisis sentimen pada teks berbahasa Indonesia. Selain itu, perlu dilakukan penelitian untuk mengatasi ketidakseimbangan kelas netral dengan teknik augmentasi data atau penambahan contoh. Riset juga dapat mengkaji penerapan QBC dengan labeler tambahan seperti lexicon Indonesia atau model transformer multilingual untuk menurunkan tingkat ketidaksepahaman. Kombinasi metode ini diharapkan dapat meningkatkan kualitas label dan efisiensi proses klasifikasi.

  1. PeerJ Contradiction in text review and apps rating: prediction using textual features and transfer learning.... doi.org/10.7717/PEERJ-CS.1722PeerJ Contradiction in text review and apps rating prediction using textual features and transfer learning doi 10 7717 PEERJ CS 1722
  2. Active Learning Query by Committee Labeling Method to Increase Accuracy and Efficiency of Sentiment Analysis... doi.org/10.34288/jri.v7i4.386Active Learning Query by Committee Labeling Method to Increase Accuracy and Efficiency of Sentiment Analysis doi 10 34288 jri v7i4 386
  3. Client Challenge. client challenge javascript disabled browser please enable proceed required part site... jesit.springeropen.com/articles/10.1186/s43067-023-00070-9Client Challenge client challenge javascript disabled browser please enable proceed required part site jesit springeropen articles 10 1186 s43067 023 00070 9
Read online
File size550.75 KB
Pages8
DMCAReport

Related /

ads-block-test