PERBANDINGAN PREPROCESSING BAHASA SLANG TERHADAP PERFORMANSI INDOBERT PADA DATA EMOSI

Abstract

Penelitian ini bertujuan untuk mengkaji pengaruh strategi preprocessing bahasa slang terhadap performa model IndoBERT dalam tugas klasifikasi emosi berbasis teks berbahasa Indonesia. Penggunaan bahasa slang, singkatan tidak baku, ungkapan informal, dan bentuk kata nonstandar merupakan karakteristik khas komunikasi di media sosial Indonesia yang seringkali mengandung muatan emosional penting. Namun, variasi linguistik tersebut menimbulkan tantangan bagi model bahasa karena dapat mengaburkan struktur semantik maupun sintaksis yang dibutuhkan untuk klasifikasi emosi secara akurat. Untuk menjawab permasalahan ini, penelitian membandingkan dua skenario preprocessing, yaitu Half Preprocessing, yang mempertahankan sebagian unsur slang dan hanya menerapkan pembersihan dasar, serta Full Preprocessing, yang melakukan normalisasi intensif, stemming, dan penghapusan stopword. Kedua skenario diterapkan pada dataset unggahan media sosial dan dievaluasi melalui pelatihan model IndoBERT dengan variasi learning rate 1e-5, 2e-5, dan 3e-5. Hasil penelitian menunjukkan bahwa Half Preprocessing memberikan performa terbaik, dengan akurasi 79,20% dan F1-score 0,7921 pada konfigurasi learning rate 1e-5. Sebaliknya, Full Preprocessing menghasilkan performa lebih rendah dengan akurasi 75,88% dan F1-score 0,7597, yang mengindikasikan bahwa proses normalisasi yang terlalu agresif dapat menghilangkan penanda emosional penting yang sering muncul melalui kata-kata slang. Analisis tambahan menunjukkan bahwa variasi learning rate berpengaruh signifikan terhadap stabilitas konvergensi model. Nilai learning rate kecil, khususnya 1e-5, menghasilkan penurunan loss yang lebih halus dan metrik evaluasi yang lebih konsisten dibandingkan nilai yang lebih besar. Secara keseluruhan, penelitian ini menegaskan bahwa strategi preprocessing yang memperhatikan karakteristik linguistik slang lebih efektif dalam mempertahankan informasi emosional pada teks media sosial berbahasa Indonesia. Selain itu, pemilihan learning rate yang tepat serta pengelolaan ketidakseimbangan distribusi label juga menjadi faktor penting untuk meningkatkan keandalan, keadilan, dan stabilitas performa model IndoBERT. Temuan ini memberikan kontribusi bagi pengembangan pipeline NLP yang lebih sesuai untuk memproses teks informal bernuansa emosi dalam ranah bahasa Indonesia.