Detail Cantuman

Klasifikasi indikasi depresi dari unggahan media sosial berbahasa Indonesia menghadapi tantangan pada pemahaman bahasa informal, terutama kalimat negasi yang dapat membalikkan makna. Penelitian ini secara spesifik menginvestigasi bagaimana teknik penanganan negasi dapat meningkatkan performa model Transformer IndoBERT pada tugas ini. Metodologi penelitian melibatkan perbandingan tiga skenario: model IndoBERT baseline (tanpa penanganan negasi), model dengan skenario Negation Combine (penggabungan token), dan model dengan skenario Negation Prefix (penandaan prefiks). Hasil pengujian menunjukkan bahwa penerapan teknik penanganan negasi berhasil meningkatkan kinerja model. Skenario Negation Combine memberikan performa terbaik, yang meningkatkan F1-Score dari 0.8941 pada model baseline menjadi 0.9047. Temuan ini membuktikan bahwa penanganan negasi secara eksplisit, khususnya dengan metode penggabungan token, merupakan strategi yang dapat meningkatkan kemampuan model bahasa umum seperti IndoBERT dalam memahami permasalahan negasi pada teks media sosial.

The classification of depression indication from Indonesian-language social media posts faces challenges in understanding informal language, especially negation, which can reverse a sentence's meaning. This study specifically investigates how negation handling techniques can improve the performance of the IndoBERT Transformer model on this task. The research methodology involves comparing three scenarios: a baseline IndoBERT model (without negation handling), a model with the Negation Combine scenario (token merging), and a model with the Negation Prefix scenario (prefix tagging). Test results show that the application of negation handling techniques successfully improved the model's performance. The Negation Combine scenario delivered the best performance, increasing the F1-Score from 0.8941 in the baseline model to 0.9047. This finding proves that explicit negation handling, particularly with the token merging method, is a strategy that can improve the ability of a general-purpose language model like IndoBERT to handle negation in social media texts