docs: add planning.txt for future true MTL transition

planning.txt

@@ -0,0 +1,93 @@
+# PLAN: TRANSISI KE TRUE MULTI-TASK LEARNING (MTL)
+======================================================
+Dokumen ini berisi panduan teknis bagi developer untuk mengubah arsitektur kode saat ini (Single-Task/Ensemble) menjadi True Multi-Task Learning sesuai dengan Paper penelitian.
+
+Langkah-langkah yang harus dilakukan pada 'fake_news_pipeline.ipynb':
+
+1. UPDATE DATASET LOADER (Memasukkan 2 Label)
+------------------------------------------------------
+Ubah class `TransformerDataset` agar menerima dua array label (fake_news dan ai_origin) dan me-return keduanya saat iterasi.
+
+```python
+class MTLTransformerDataset(Dataset):
+    def __init__(self, texts, labels_fake, labels_ai, tokenizer, max_len):
+        self.texts = texts
+        self.labels_fake = labels_fake
+        self.labels_ai = labels_ai
+        # ... sisa inisialisasi
+    
+    def __getitem__(self, idx):
+        # ... proses encode
+        return enc, torch.tensor(self.labels_fake[idx], dtype=torch.long), torch.tensor(self.labels_ai[idx], dtype=torch.long)
+```
+
+2. UPDATE ARSITEKTUR MODEL (Dua Kepala Output)
+------------------------------------------------------
+Ganti penggunaan `AutoModelForSequenceClassification` dengan `AutoModel` dasar, lalu buat dua layer klasifikasi terpisah.
+
+```python
+class MTLTransformerClassifier(nn.Module):
+    def __init__(self, model_name):
+        super().__init__()
+        from transformers import AutoModel
+        self.encoder = AutoModel.from_pretrained(model_name)
+        
+        hidden_size = self.encoder.config.hidden_size
+        
+        # Kepala 1: Fake/Real
+        self.veracity_head = nn.Sequential(
+            nn.Dropout(0.1),
+            nn.Linear(hidden_size, 2)
+        )
+        
+        # Kepala 2: Human/AI
+        self.origin_head = nn.Sequential(
+            nn.Dropout(0.1),
+            nn.Linear(hidden_size, 2)
+        )
+
+    def forward(self, **kwargs):
+        outputs = self.encoder(**kwargs)
+        # Ambil representasi token [CLS]
+        pooled_output = outputs.last_hidden_state[:, 0, :]
+        
+        veracity_logits = self.veracity_head(pooled_output)
+        origin_logits = self.origin_head(pooled_output)
+        
+        return veracity_logits, origin_logits
+```
+
+3. UPDATE FUNGSI TRAINING (Kombinasi 2 Loss)
+------------------------------------------------------
+Ubah `train_transformer` agar menghitung dua Error/Loss dan menggabungkannya.
+
+```python
+# Di dalam loop training:
+veracity_out, origin_out = model(**enc)
+
+loss_fake = criterion(veracity_out, label_fake)
+loss_ai = criterion(origin_out, label_ai)
+
+# Gabungkan loss (bisa disesuaikan bobotnya, misal 0.5 dan 0.5)
+total_loss = loss_fake + loss_ai
+total_loss.backward()
+```
+
+4. UPDATE FUNGSI INFERENSI (Backend)
+------------------------------------------------------
+Setelah model selesai ditraining dan di-save (contoh: `mtl_deberta.pt`), ubah `utils.py` di backend. Hapus pemanggilan model `chatgpt-detector-roberta`.
+
+```python
+# Di dalam utils.py
+veracity_logits, origin_logits = model(**inputs)
+
+v_probs = torch.softmax(veracity_logits, dim=1)
+o_probs = torch.softmax(origin_logits, dim=1)
+
+# Ambil hasil dari satu model untuk dua jawaban
+```
+
+======================================================
+CATATAN PENTING:
+* Training MTL membutuhkan waktu yang lebih lama.
+* Pastikan dataset `final_dataset.csv` memiliki kolom `ai_label` yang proporsional dan akurat sebelum memulai training MTL.