Penerapan Low-Rank Adaptation (LoRA) pada IndoBERT untuk Klasifikasi Emosi Ulasan Tokopedia Berbahasa Indonesia

Mesaya, Christopher (2026) Penerapan Low-Rank Adaptation (LoRA) pada IndoBERT untuk Klasifikasi Emosi Ulasan Tokopedia Berbahasa Indonesia. Bachelor Thesis, Universitas Multimedia Nusantara.

	PDF HALAMAN_AWAL.pdf Restricted to Registered users only Download (579kB)
	PDF BAB_I.pdf Download (255kB)
	PDF BAB_II.pdf Download (645kB)
	PDF BAB_III.pdf Restricted to Registered users only Download (1MB)
	PDF BAB_IV.pdf Restricted to Registered users only Download (1MB)
	PDF BAB_V.pdf Restricted to Registered users only Download (257kB)
	PDF DAFTAR_PUSTAKA.pdf Restricted to Registered users only Download (267kB)
	PDF LAMPIRAN.pdf Restricted to Registered users only Download (983kB)
	Archive (ZIP) 00000070524_2521_LembarPengesahan.pdf Restricted to Registered users only Download (65kB)

Abstract

Ulasan produk pada e-commerce memuat respons afektif konsumen yang tidak selalu terwakili oleh analisis sentimen berbasis polaritas. Penelitian ini bertujuan menerapkan Low-Rank Adaptation (LoRA) pada IndoBERT Base untuk klasifikasi emosi ulasan Tokopedia berbahasa Indonesia. Dataset akhir berjumlah 11.488 ulasan setelah prapemrosesan dan deduplikasi, dengan lima label emosi, yaitu anger, fear, happy, love, dan sadness. Eksperimen membandingkan full fine-tuning IndoBERT Base dengan sepuluh konfigurasi LoRA berdasarkan variasi rank, alpha, dan target modules. Pemilihan model dilakukan berdasarkan validation macro- F1. Konfigurasi r16 a32 qv memperoleh validation macro-F1 tertinggi sebesar 83,3208% dan mencapai macro-F1 82,6253% pada test split, sedikit lebih tinggi daripada full fine-tuning sebesar 82,2804%. Konfigurasi ini hanya melatih 0,4748% parameter. Konfigurasi efisien r4 a32 qv tetap kompetitif dengan validation macro-F1 82,9010%, 0,1214% parameter latih, waktu pelatihan 32,0558 menit, dan peak GPU memory 1.643,5722 MB. Hasil ini menunjukkan bahwa LoRA mampu mempertahankan performa klasifikasi emosi yang kompetitif dengan biaya komputasi yang lebih efisien daripada full fine-tuning.

Item Type:	Thesis (Bachelor Thesis)
Creators:	Mesaya, Christopher (00000070524)
Contributors:	Wardhana, Ajie Kusuma
Keywords:	IndoBERT, klasifikasi emosi, Low-Rank Adaptation (LoRA), parameter-efficient fine-tuning, ulasan produk Tokopedia
Subjects:	000 Computer Science, Information and General Works
Divisions:	Faculty of Engineering & Informatics > Informatics
Date Deposited:	25 Jul 2026 08:00
URI:	https://kc.umn.ac.id/id/eprint/48127

Actions (login required)

View Item