File size: 1,946 Bytes
d6ea626 77a3391 d6ea626 8bc6b81 d6ea626 |
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27 28 29 30 31 32 33 34 35 36 37 38 39 40 41 42 43 44 45 46 47 48 49 50 51 52 53 54 55 56 |
---
language:
- id
---
DENGAN PENGUJIAN TERHADAP 5000 DATASET
# Model Card radityapranata/absabert-keluhanpln-v3
<!-- Provide a quick summary of what the model is/does. -->
Basic Model ABSA BERT KELUHAN PLN dalam bahasa indonesia merupakan model yang dihasilkan dari : ##bert-base-uncased
[this raw template](https://huggingface.co/bert-base-uncased).
## Model Description
<!-- Provide a longer summary of what this model is. -->
Dataset yang digunakan disini merupakan kumpulan data keluhan pelanggan
dalam bahasa indonesia pada PLN Mobile.
Dengan pengukuran aspect yang terbagi meliputi :
"Layanan Pelanggan" , "Ketersediaan Produk" , "Kebijakan Usaha" , "Pemulihan Layanan".
Hal ini mengutip dari jenis pengukuran yag dilakukan oleh Simon J. Bell di tahun 2006
dari University of Melbourne dalam publikasinya yang berjudul
Coping With Customer Complaints
### How to use
You can use this model directly with a pipeline for masked language modeling:
```python
>>>pip install torch
>>>pip install transformers
>>>from transformers import BertTokenizer, BertForSequenceClassification
>>>import torch
model_name = "radityapranata/absabert-keluhanpln-v3"
tokenizer = BertTokenizer.from_pretrained(model_name)
model = BertForSequenceClassification.from_pretrained(model_name)
absa_pipeline = pipeline("sentiment-analysis", model=model, tokenizer=tokenizer)
text = "informasi tambah daya" #"Token listrik tidak dapat terisi, kwh meter tulisan periksa."
inputs = tokenizer(text, return_tensors="pt")
result = absa_pipeline(text)
outputs = model(**inputs)
logits = outputs.logits
get_aspect = torch.argmax(logits, dim=1).item()
aspects = ["Layanan Pelanggan", "Ketersediaan Produk", "Kebijakan Usaha", "Pemulihan Layanan"]
aspect = aspects[get_aspect]
for aspect_result in result:
Sentiment = aspect_result["label"]
Score = aspect_result["score"]
print("Aspect:", aspect)
print(f"Sentiment: {Sentiment}, Score: {Score}")
``` |