README.md

---
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}")
```