Create README.md

README.md

@@ -0,0 +1,56 @@
+---
+language:
+- id
+---
+
+
+# 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"  # Ganti dengan nama model yang benar
+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}")
+```