Analisis sentimen pengguna terhadap aplikasi Telemedicine menggunakan metode Fine-Tuning Indobert

INDONESIA:

Perkembangan pesat teknologi informasi dan komunikasi telah membawa telemedicine menjadi inovasi krusial dalam layanan kesehatan di Indonesia, terutama pasca-pandemi COVID-19, namun adopsi luasnya masih menghadapi tantangan terkait persepsi pengguna. Studi empiris ini secara sistematis menginvestigasi optimasi model Fine-tuning IndoBERT untuk klasifikasi sentimen pada 7.000 ulasan pengguna aplikasi telemedicine halodoc dan alodokter yang diperoleh dari Elsevier Mendeley Data Repository. Penelitian ini berfokus pada identifikasi hyperparameter optimal dan teknik pelatihan paling efektif guna meningkatkan akurasi dan mencegah overfitting. Implementasi grid search pada skenario 1 secara logis menentukan learning rate 3e-05 sebagai yang paling optimal, menghasilkan akurasi validasi 82.93% dan loss 0.4540, yang secara relevan mengungguli konfigurasi lain. Selanjutnya, Skenario 2 membuktikan efektivitas early stopping dengan patience 5 epoch dalam mencegah overfitting, memungkinkan model menghentikan pelatihan secara tepat. Perbandingan rasio pembagian data pada skenario 2 menunjukkan bahwa rasio 90:10 memberikan performa superior dengan akurasi validasi tertinggi 83.71%, precision 83.27%, recall 83.41%, dan F1-score 83.28%, menekankan pentingnya proporsi data yang seimbang berdasarkan teori machine learning. Secara keseluruhan, kombinasi optimasi learning rate, pembagian data 90:10, dan early stopping terbukti efektif dalam menghasilkan model fine-tuning IndoBERT yang tangguh dan akurat untuk analisis sentimen ulasan aplikasi telemedicine berbahasa Indonesia

ENGLISH:

The rapid development of information and communication technology has made telemedicine a crucial innovation in Indonesian healthcare, especially post-pandemic. However, its widespread adoption still faces challenges related to user perception. This empirical study systematically investigates optimizing the IndoBERT fine-tuning model for sentiment classification using 7,000 user reviews of Halodoc and Alodokter telemedicine apps obtained from the Elsevier Mendeley Data Repository. The study focuses on identifying optimal hyperparameters and the most effective training technique to improve accuracy and prevent overfitting. Scenario 1's grid search implementation logically determined a learning rate of 3e-05 to be optimal, achieving a validation accuracy of 82.93% and a loss of 0.4540. This configuration notably outperformed others. Furthermore, scenario 2 demonstrated the effectiveness of early stopping with patience set to five epochs in preventing overfitting and enabling the model to appropriately stop training. A comparison of the data-sharing ratio in Scenario 2 shows that the 90:10 ratio provides the best performance, with a validation accuracy of 83.71%, a precision of 83.27%, a recall of 83.41%, and an F1 score of 83.28%. This emphasizes the importance of balancing the proportion of data based on machine learning theory. In summary, the combination of learning rate optimization, a 90:10 data split, and early stopping was effective in creating a robust and accurate IndoBERT model for sentiment analysis of Indonesian telemedicine app reviews.

ARABIC:

لقد جعل التطور السريع لتكنولوجيا المعلومات والاتصالات من التطبيب عن بُعد ابتكارًا حاسمًا في مجال الرعاية الصحية الإندونيسية، خاصة بعد الجائحة. ومع ذلك، لا يزال اعتمادها على نطاق واسع يواجه تحديات تتعلق بإدراك المستخدم. تبحث هذه الدراسة التجريبية بشكل منهجي في تحسين نموذج إندوبيرت للضبط الدقيق لتصنيف المشاعر باستخدام 7000 تقييم مستخدم لتطبيقات هالودوك وألودوكتر للتطبيب عن بُعد التي تم الحصول عليها من مستودع بيانات إلسيفير مندلي. وتركز الدراسة على تحديد المعلمات الفائقة المثلى وتقنية التدريب الأكثر فعالية لتحسين الدقة ومنع الإفراط في التركيب. وقد حدد تطبيق البحث الشبكي للسيناريو 1 منطقيًا معدل تعلم قدره 3e-05 ليكون الأمثل، محققًا دقة تحقق بلغت 82.93% وخسارة قدرها 0.4540. تفوّق هذا التكوين بشكل ملحوظ على الآخرين. علاوةً على ذلك، أظهر السيناريو 2 فعالية التوقف المبكر مع ضبط الصبر على خمس حقبات في منع الإفراط في التهيئة وتمكين النموذج من التوقف عن التدريب بشكل مناسب. تُظهر المقارنة بين نسبة مشاركة البيانات في السيناريو 2 أن نسبة 90:10 توفر أفضل أداء، مع دقة تحقق تبلغ 83.71%، ودقة تبلغ 83.27%، واستدعاء 83.41%، ودرجة F1 تبلغ 83.28% .وهذا يؤكد أهمية موازنة نسبة البيانات بناءً على نظرية التعلم الآلي. باختصار، كان الجمع بين تحسين معدل التعلم، وتقسيم البيانات بنسبة 90:10، والتوقف المبكر فعالاً في إنشاء نموذج إندوبيرت قوي ودقيق لتحليل المشاعر لمراجعات تطبيقات التطبيب عن بُعد الإندونيسية.