indobertweet-indoemotion-5class

IndoBERTweet untuk Klasifikasi Emosi Bahasa Indonesia (5 Label)

Model ini merupakan hasil fine-tune lanjutan dari Aardiiiiy/indobertweet-base-Indonesian-sentiment-analysis.
Awalnya model tersebut hanya mengenali 3 sentimen: positive, negative dan neutral.
Sekarang model ini dikembangkan lebih lanjut untuk mengenali lima jenis emosi dalam teks Bahasa Indonesia:

• anger
• fear
• happy
• love
• sadness

🎯 Tujuan

Model ini cocok digunakan untuk analisis emosi pada:

• Ulasan produk
• Komentar sosial media
• Respon pengguna aplikasi
• Teks pendek lain yang ditulis dalam Bahasa Indonesia

Tentang Dataset

Fine-tuning menggunakan dataset PRDECT-ID (Produk Review Dataset for Emotion Classification Task - Indonesia). Dataset ini berisi ulasan produk berbahasa Indonesia dengan label emosi yang dideskripsikan sebagai berikut:

Tabel berikut menunjukkan performa model pada set validasi per epoch:

Catatan tentang Performa: Berdasarkan hasil di atas, validation loss mulai meningkat setelah epoch ke-3, yang mengindikasikan potensi overfitting. Kinerja terbaik (berdasarkan F1-Score tertinggi pada set validasi sebelum validation loss meningkat signifikan) diamati pada Epoch 3 (F1: 0.7449, Accuracy: 0.7444, Validation Loss: 0.655473) atau Epoch 6 (F1: 0.7452, Accuracy: 0.7444, Validation Loss: 0.907782) jika F1-Score yang menjadi fokus utama meskipun validation loss sudah lebih tinggi. Pengguna disarankan untuk mengevaluasi checkpoint dari epoch-epoch tersebut atau melakukan fine-tuning lebih lanjut dengan strategi mitigasi overfitting (seperti yang didiskusikan dalam penelitian terkait model ini).

🔍 Contoh Penggunaan

Contoh penggunaan model untuk klasifikasi emosi menggunakan Hugging Face pipeline:

from transformers import pipeline

classifier = pipeline("text-classification", model="galennolan/indobertweet-indoemotion-5class")

text = "Produknya bagus tapi pengiriman lama."
hasil = classifier(text)
print(hasil)
# [{'label': 'anger', 'score': ...}]
# Decode label index
label_id = int(hasil[0]['label'].split('_')[-1])
print("Emotion:", le.inverse_transform([label_id])[0])