Laporan Model Bi-GRU

Klasifikasi Sentimen Multi-Kelas (Positif, Netral, Negatif)

Dibuat berdasarkan: Revisi_Bigru.ipynb

1. Persiapan Data

Data telah melalui proses pembersihan ketat termasuk penghapusan nilai NaN, string kosong, dan duplikasi data.

15,647

Data Latih (Final)

-293 baris dihapus

1,979

Data Validasi

1,974

Data Uji

Distribusi Label (Train)

Dataset mengalami ketidakseimbangan kelas (Imbalanced). Kelas 'Netral' mendominasi, sedangkan 'Positif' adalah minoritas (~10%).

Netral: 8,768
Negatif: 5,231
Positif: 1,648

2. Arsitektur Model

Konfigurasi Layer

Model menggunakan pendekatan Stacked Bidirectional GRU untuk menangkap konteks kalimat dari dua arah.

model = Sequential([
    Embedding(10000, 128),
    SpatialDropout1D(0.2),
    Bidirectional(GRU(64, return_sequences=True, ...)),
    Bidirectional(GRU(32, ...)),
    Dense(64, activation='relu'),
    Dropout(0.5),
    Dense(3, activation='softmax')
])
                    

Optimizer: Adam
Loss: Categorical Crossentropy
Total Params: ~1.4 Juta

Input (Max Len 100)

Embedding

Spatial Dropout (0.2)

Bi-GRU 1 (64 Units)

Bi-GRU 2 (32 Units)

Dense (64, ReLU) + Dropout

Output (Softmax 3)

3. Hasil Pelatihan

Training menggunakan Early Stopping (Patience=7) dan berhenti pada Epoch 9. Model terbaik disimpan pada Epoch 2.

Best Validation Accuracy

86.66%

Best Validation Loss

0.3294

4. Evaluasi & Kesimpulan

Performa pada Data Uji (Test Set)

0.3468

Test Loss

86.63%

Test Accuracy

0.87

Weighted F1

Classification Report Detail

Kelas	Precision	Recall	F1-Score	Support
Negatif	0.91	0.84	0.87	657
Netral	0.87	0.91	0.89	1,108
Positif	0.73	0.71	0.72	209

Kesimpulan Akhir

Generalisasi Baik: Gap antara akurasi Validasi (86.66%) dan Test (86.63%) sangat kecil (< 0.05%), menandakan model Robust.
Isu Kelas Minoritas: Performa pada kelas 'Positif' (F1: 0.72) masih tertinggal dibandingkan kelas lain karena jumlah data yang sedikit.
Rekomendasi: Untuk pengembangan selanjutnya, disarankan menggunakan teknik Oversampling (SMOTE) atau Class Weighting untuk meningkatkan akurasi sentimen positif.