Analisis Komparatif Performa IndoBERT, IndoRoBERTa, dan IndoDistilBERT pada Klasifikasi Disinformasi Kesehatan Berbahasa Indonesia

Christopher Bamba, Benedick (2026) Analisis Komparatif Performa IndoBERT, IndoRoBERTa, dan IndoDistilBERT pada Klasifikasi Disinformasi Kesehatan Berbahasa Indonesia. Bachelor Thesis, Universitas Multimedia Nusantara.

	PDF HALAMAN_AWAL.pdf Restricted to Registered users only Download (3MB)
	PDF BAB_I.pdf Download (217kB)
	PDF BAB_II.pdf Download (1MB)
	PDF BAB_III.pdf Restricted to Registered users only Download (916kB)
	PDF BAB_IV.pdf Restricted to Registered users only Download (1MB)
	PDF BAB_V.pdf Restricted to Registered users only Download (206kB)
	PDF DAFTAR_PUSTAKA.pdf Restricted to Registered users only Download (220kB)
	PDF LAMPIRAN.pdf Restricted to Registered users only Download (2MB)
	Archive (ZIP) 00000071174_2521_LembarPengesahan.pdf Restricted to Registered users only Download (66kB)

Abstract

Penyebaran disinformasi kesehatan di Indonesia terus meningkat dan berdampak serius terhadap keselamatan publik, sementara penelitian mengenai deteksi otomatis disinformasi kesehatan berbahasa Indonesia masih relatif terbatas. Penelitian ini bertujuan melakukan analisis komparatif performa IndoBERT, IndoRoBERTa, dan IndoDistilBERT dalam klasifikasi disinformasi kesehatan berbahasa Indonesia. Dataset penelitian disusun dari berbagai sumber yang mencakup 6.978 data fakta dan 3.251 data disinformasi melalui tahapan preprocessing untuk meminimalkan potensi data leakage. Optimasi hyperparameter dilakukan menggunakan grid search, sedangkan ketidakseimbangan kelas ditangani menggunakan inverse frequency class weights. Analisis interpretabilitas model dilakukan menggunakan LIME. Hasil penelitian menunjukkan bahwa ketiga model mencapai akurasi di atas 99,7% dengan nilai False Negative sebesar 0 pada test set. IndoRoBERTa memberikan performa terbaik dengan akurasi 99,90%, diikuti IndoBERT sebesar 99,80%, sedangkan IndoDistilBERT mencapai 99,71% dengan efisiensi komputasi yang lebih tinggi. Analisis LIME menunjukkan bahwa model mampu mengidentifikasi kata-kata kunci yang berkontribusi terhadap keputusan klasifikasi sehingga memberikan penjelasan lokal terhadap hasil prediksi model.

Item Type:	Thesis (Bachelor Thesis)
Creators:	Christopher Bamba, Benedick (00000071174)
Contributors:	Wardhana, Ajie Kusuma
Keywords:	Disinformasi Kesehatan, IndoBERT, IndoDistilBERT, IndoRoBERTa, Klasifikasi Teks
Subjects:	000 Computer Science, Information and General Works
Divisions:	Faculty of Engineering & Informatics > Informatics
Date Deposited:	28 Jul 2026 12:07
URI:	https://kc.umn.ac.id/id/eprint/48373

Actions (login required)

View Item