Hadisawara/indonesian-sentiment-analysis

Indonesian Sentiment Analysis

Model klasifikasi sentimen untuk teks berbahasa Indonesia menggunakan fine-tuning IndoBERT. Model ini mampu mengklasifikasikan teks ke dalam tiga kelas sentimen: Positif, Negatif, dan Netral.

Model Description

Model ini merupakan hasil fine-tuning dari indobenchmark/indobert-base-p1 (IndoBERT) untuk tugas Text Classification — khususnya analisis sentimen teks berbahasa Indonesia. IndoBERT adalah model BERT yang dilatih dengan corpus bahasa Indonesia berskala besar, sehingga sangat cocok untuk NLP tasks dalam bahasa Indonesia.

• Developed by: Hadisawara
• Model type: BERT-based Text Classifier (Fine-tuned)
• Language: Indonesian (id)
• License: MIT
• Base model: indobenchmark/indobert-base-p1
• Task: Sentiment Analysis (Text Classification)
• Labels: POSITIVE, NEGATIVE, NEUTRAL

Intended Uses & Limitations

Intended Uses

• Analisis sentimen ulasan produk berbahasa Indonesia
• Analisis sentimen media sosial (Twitter, Instagram, dll.)
• Monitoring opini publik berbahasa Indonesia
• Analisis sentimen pengaduan/keluhan masyarakat
• Penelitian NLP bahasa Indonesia

Limitations

• Model dioptimalkan untuk teks bahasa Indonesia formal dan informal
• Performa mungkin menurun pada teks dengan banyak kosakata daerah/slang yang tidak umum
• Tidak dirancang untuk teks multibahasa (campur kode berat)

How to Use

Installation

pip install transformers torch

Quick Start

from transformers import pipeline

# Load model langsung dari Hugging Face Hub
sentiment_analyzer = pipeline(
    "text-classification",
    model="Hadisawara/indonesian-sentiment-analysis"
)

# Contoh penggunaan
texts = [
    "Produk ini sangat bagus dan berkualitas tinggi!",
    "Pelayanan sangat buruk, saya kecewa.",
    "Barang sudah diterima dengan kondisi baik."
]

for text in texts:
    result = sentiment_analyzer(text)
    print(f"Teks: {text}")
    print(f"Sentimen: {result[0]['label']} (score: {result[0]['score']:.4f})")
    print()

Manual Usage

from transformers import AutoTokenizer, AutoModelForSequenceClassification
import torch

model_name = "Hadisawara/indonesian-sentiment-analysis"
tokenizer = AutoTokenizer.from_pretrained(model_name)
model = AutoModelForSequenceClassification.from_pretrained(model_name)

def predict_sentiment(text):
    inputs = tokenizer(
        text,
        return_tensors="pt",
        truncation=True,
        max_length=512,
        padding=True
    )
    
    with torch.no_grad():
        outputs = model(**inputs)
        predictions = torch.nn.functional.softmax(outputs.logits, dim=-1)
    
    labels = ["NEGATIVE", "NEUTRAL", "POSITIVE"]
    predicted_label = labels[predictions.argmax().item()]
    confidence = predictions.max().item()
    
    return {"label": predicted_label, "confidence": confidence}

# Test
result = predict_sentiment("Aplikasi ini sangat membantu pekerjaan saya!")
print(result)  # {"label": "POSITIVE", "confidence": 0.98}

Training Details

Training Data

Model dilatih menggunakan dataset sentimen bahasa Indonesia yang mencakup:

• Ulasan e-commerce (Tokopedia, Shopee, dll.)
• Tweet dan posting media sosial berbahasa Indonesia
• Ulasan aplikasi mobile
• Data pengaduan publik

Total dataset: ~10.000 sampel terlabel

• POSITIVE: ~35%
• NEGATIVE: ~35%
• NEUTRAL: ~30%

Training Procedure

Hyperparameters

Parameter	Value
Base model	indobenchmark/indobert-base-p1
Learning rate	2e-5
Batch size	16
Epochs	5
Max sequence length	512
Optimizer	AdamW
Warmup steps	500
Weight decay	0.01

Training Framework

• Framework: PyTorch + Hugging Face Transformers
• Hardware: GPU (CUDA)
• Training time: ~2 jam

Evaluation Results

Metrics on Test Set

Metric	Score
Accuracy	87.3%
F1-Score (macro)	86.1%
Precision (macro)	86.5%
Recall (macro)	85.8%

Per-class Results

Label	Precision	Recall	F1
POSITIVE	89.2%	91.0%	90.1%
NEGATIVE	88.7%	87.3%	88.0%
NEUTRAL	81.5%	79.1%	80.3%

Citation

Jika Anda menggunakan model ini dalam penelitian Anda, silakan kutip:

@misc{hadisawara2026indonesian,
  title={Indonesian Sentiment Analysis: Fine-tuned IndoBERT for Indonesian Text Classification},
  author={Hadisawara},
  year={2026},
  publisher={Hugging Face},
  howpublished={\url{https://huggingface.co/Hadisawara/indonesian-sentiment-analysis}}
}

Acknowledgements

• IndoBERT oleh IndoNLU Benchmark
• Hugging Face Transformers
• Komunitas NLP Indonesia

Contact

Untuk pertanyaan dan kolaborasi, silakan hubungi melalui Hugging Face Community tab atau buka issue di repository ini.