FEW-SHOT CROSS-LINGUAL HOAX DETECTION BERBASIS MULTILINGUAL TRANSFORMER DENGAN ARL-LoRA DILENGKAPI EXPLAINABLE AI

Aditya Hartono, Kevin (2026) FEW-SHOT CROSS-LINGUAL HOAX DETECTION BERBASIS MULTILINGUAL TRANSFORMER DENGAN ARL-LoRA DILENGKAPI EXPLAINABLE AI. Bachelor Thesis, Universitas Multimedia Nusantara.

	PDF HALAMAN_AWAL.pdf Restricted to Registered users only Download (536kB)
	PDF BAB_I.pdf Download (331kB)
	PDF BAB_II.pdf Download (917kB)
	PDF BAB_III.pdf Restricted to Registered users only Download (684kB)
	PDF BAB_IV.pdf Restricted to Registered users only Download (2MB)
	PDF BAB_V.pdf Restricted to Registered users only Download (247kB)
	PDF DAFTAR_PUSTAKA.pdf Restricted to Registered users only Download (277kB)
	PDF LAMPIRAN.pdf Restricted to Registered users only Download (751kB)
	Archive (ZIP) 00000069875_2521_LembarPengesahan.pdf Restricted to Registered users only Download (64kB)

Abstract

Penyebaran hoaks lintas bahasa di kawasan Asia Tenggara terus meningkat seiring kemudahan adaptasi konten misinformasi antarbahasa, sementara pendekatan deteksi berbasis satu bahasa terbukti tidak lagi memadai. Penelitian ini mengusulkan ARL-LoRA, sebuah kerangka hybrid Parameter-Efficient Fine-Tuning yang mengintegrasikan Adaptive-Rank LoRA, Bias Tuning (BitFit), dan Selective Embedding Adaptation (SEA) untuk meningkatkan kemampuan deteksi hoaks cross-lingual pada tiga model multilingual transformer, yaitu XLM-RoBERTa, mBERT, dan DistilmBERT. Eksperimen dilakukan dalam skenario few-shot menggunakan kerangka Knowledge Discovery in Databases (KDD), dengan pelatihan pada Bahasa Indonesia dan Inggris serta penyertaan 100 sampel per kelas Bahasa Melayu sebagai few-shot injection ke dalam data pelatihan. Evaluasi dilakukan menggunakan metrik F1-weighted per bahasa yang dihitung dari eksperimen multi-seed dengan lima inisialisasi acak berbeda untuk menjamin reliabilitas hasil. Hasil eksperimen menunjukkan bahwa ARL-LoRA meningkatkan F1-weighted Bahasa Melayu pada XLM-RoBERTa sebesar 8,26 poin persentase (dari 71,34% menjadi 79,60%) dan pada mBERT sebesar 0,52 poin (dari 75,36% menjadi 75,88%), disertai stabilitas yang jauh lebih tinggi dengan Coefficient of Variation turun dari 21,53% menjadi 1,60% pada XLM-RoBERTa, tanpa mengorbankan performa bahasa sumber yang tetap berada di atas 99,40% F1. Ablation study mengonfirmasi bahwa komponen ARL memberikan kontribusi terbesar sebesar 66% dari total peningkatan, diikuti SEA sebesar 22% dan BitFit sebesar 12%. Analisis Explainable AI berbasis LIME mengonfirmasi bahwa ARL-LoRA mendorong model menangkap pola semantik yang lebih transferable lintas bahasa dibandingkan full fine-tuning. Disimpulkan bahwa ARL-LoRA efektif pada arsitektur 12-layer, sedangkan DistilmBERT (6-layer) tidak menunjukkan peningkatan signifikan karena keterbatasan diferensiasi fungsi antarlapis.

Item Type:	Thesis (Bachelor Thesis)
Creators:	Aditya Hartono, Kevin (00000069875)
Contributors:	Suryasari, Suryasari
Keywords:	ARL-LoRA, cross-lingual hoax detection, few-shot learning, multilingual transformer, Parameter-Efficient Fine-Tuning
Subjects:	000 Computer Science, Information and General Works > 000 Computer Science, Knowledge and Systems > 004 Computer Science, Data Processing, Hardware > 004.2 Systems Analysis and Design, Information Architecture, Performance Evaluation
Divisions:	Faculty of Engineering & Informatics > Information System
Date Deposited:	24 Jul 2026 08:01
URI:	https://kc.umn.ac.id/id/eprint/48020

Actions (login required)

View Item