Analisis Komparatif XLM-RoBERTa dan IndoBERT untuk Klasifikasi Emosi Unggahan Media Sosial Threads Menggunakan SHAP

Ananda Citra, Prajna (2026) Analisis Komparatif XLM-RoBERTa dan IndoBERT untuk Klasifikasi Emosi Unggahan Media Sosial Threads Menggunakan SHAP. Bachelor Thesis, Universitas Multimedia Nusantara.

	PDF HALAMAN_AWAL.pdf Restricted to Registered users only Download (590kB)
	PDF BAB_I.pdf Download (216kB)
	PDF BAB_II.pdf Download (1MB)
	PDF BAB_III.pdf Restricted to Registered users only Download (279kB)
	PDF BAB_IV.pdf Restricted to Registered users only Download (1MB)
	PDF BAB_V.pdf Restricted to Registered users only Download (207kB)
	PDF DAFTAR_PUSTAKA.pdf Restricted to Registered users only Download (229kB)
	PDF LAMPIRAN.pdf Restricted to Registered users only Download (1MB)
	Archive (ZIP) 00000070651_2521_LembarPengesahan.pdf Restricted to Registered users only Download (66kB)

Abstract

Perkembangan media sosial Threads menghasilkan volume data teks berbahasa Indonesia yang besar namun kompleks secara linguistik, sehingga dibutuhkan pendekatan otomatis untuk memahami respons emosional publik, khususnya terkait peristiwa bencana. Penelitian ini membandingkan kinerja dua model Pre-trained Language Model berbasis Transformer, yaitu IndoBERT (monolingual) dan XLM- RoBERTa (multilingual), dalam mengklasifikasikan delapan emosi dasar Plutchik pada unggahan Threads terkait bencana banjir Sumatera November 2025. Data dikumpulkan melalui web scraping dan dilabeli secara otomatis menggunakan integrasi leksikon lokal serta EMOLEX, yang divalidasi dengan model Zero- Shot Classification, kemudian diseimbangkan melalui teknik undersampling dan oversampling berbasis augmentasi sinonim. Kedua model di-fine-tuning dan dievaluasi menggunakan metrik Accuracy, Precision, Recall, dan Macro- Averaged F1-Score, serta diinterpretasikan menggunakan metode SHapley Additive exPlanations (SHAP) pada tingkat global dan lokal. Hasil penelitian menunjukkan bahwa IndoBERT memperoleh performa yang lebih unggul dengan macro F1- score sebesar 84,2% (termasuk kelas Disgust) dan 81,4% (tanpa kelas Disgust), dibandingkan XLM-RoBERTa yang memperoleh 76,9% (termasuk kelas Disgust) dan 73,1% (tanpa kelas Disgust). Pengecualian kelas Disgust dilakukan karena kelas tersebut terindikasi mengalami overfitting akibat proses oversampling yang ekstrem. Analisis SHAP mengungkapkan bahwa keputusan IndoBERT lebih transparan karena didasarkan pada token kata utuh yang bermakna semantik jelas, sementara XLM-RoBERTa cenderung terdistraksi oleh fragmentasi subword akibat mekanisme tokenisasi SentencePiece, sehingga menurunkan interpretabilitas dan akurasi klasifikasinya. Penelitian ini menyimpulkan bahwa model monolingual lebih unggul, baik dari sisi performa maupun transparansi, dalam memahami ekspresi emosi berbahasa Indonesia pada konteks media sosial bencana.

Item Type:	Thesis (Bachelor Thesis)
Creators:	Ananda Citra, Prajna (00000070651)
Contributors:	Wardhana, Ajie Kusuma
Keywords:	Banjir Sumatera, ExplainableAI, IndoBERT, Klasifikasi Emosi, SHAP, XLM-RoBERTa
Subjects:	000 Computer Science, Information and General Works
Divisions:	Faculty of Engineering & Informatics > Informatics
Date Deposited:	29 Jul 2026 12:00
URI:	https://kc.umn.ac.id/id/eprint/48633

Actions (login required)

View Item