Update README.md

README.md

@@ -1,4 +1,103 @@
 ---
 license: mit
+language:
+- id
+metrics:
+- accuracy
+- f1
+base_model:
+- indobenchmark/indobert-base-p2
+pipeline_tag: text-classification
 library_name: transformers
----
+tags:
+- finance
+- review
+- produk
+- ulasan
+- e commerce
+
+
+---
+
+# IndoBERT klasifikasi Sentiment ID - 2 Kelas
+
+Model ini merupakan hasil fine-tuning dari `indobenchmark/indobert-base-p2` untuk tugas klasifikasi sentimen review produk dalam Bahasa Indonesia dengan dua label (positif dan negatif). model di-pretrain terlebih dahulu menggunakan 78.536 baris ulasan produk agar lebih mengenali gaya bahasa informal yang umum digunakan dalam review, seperti singkatan "banget" → "bgt", "enggak" → "gk", dsb. kemudian model di finetune dengan Dataset yang terdiri dari 19.728 ulasan produk di e-commerce tokopedia dan juga berasal dari ulasan sintesis menggunakan LLM Gemini.
+
+## 🎯 Tujuan
+Model ini ditujukan untuk mengklasifikasikan komentar/review produk/ulasan menjadi dua kelas sentimen: `POSITIF` dan `NEGATIF`.
+
+## 🧪 Metrics
+Model ini dievaluasi menggunakan metrik:
+- Accuracy
+- F1 Score
+
+## 🧠 Base Model
+- [`indobenchmark/indobert-base-p2`](https://huggingface.co/indobenchmark/indobert-base-p2)
+
+## ⚙️ Training Arguments
+Berikut adalah konfigurasi training (`TrainingArguments`) yang digunakan saat pelatihan:
+```python
+from transformers import TrainingArguments
+
+training_args = TrainingArguments(
+    output_dir="./results",
+    num_train_epochs=3,
+    per_device_train_batch_size=4,
+    gradient_accumulation_steps=2,
+    per_device_eval_batch_size=4,
+    weight_decay=0.05,
+    eval_strategy="epoch",
+    save_strategy="epoch",
+    seed=42,
+    load_best_model_at_end=True,
+    metric_for_best_model="f1",
+    logging_dir="./logs",
+    report_to="tensorboard",
+    logging_steps=100,
+    warmup_ratio=0.05,
+)
+```
+
+## 📊 Hasil Evaluasi
+
+Model dievaluasi selama 3 epoch menggunakan metrik Accuracy dan F1 Score. Berikut adalah performa model pada setiap epoch:
+
+| Epoch | Training Loss | Validation Loss | Accuracy | F1 Score |
+|-------|---------------|-----------------|----------|----------|
+| 1     | 0.2670        | 0.2374          | 0.9564   | 0.9564   |
+| 2     | 0.4904        | 0.2951          | 0.9356   | 0.9356   |
+| 3     | 0.3650        | 0.2176          | 0.9442   | 0.9441   |
+
+
+
+## 👨‍💻 Cara Inferensi 
+``` python
+# Load model dan tokenizer
+from transformers import AutoTokenizer, AutoModelForSequenceClassification, pipeline
+import torch
+
+# Load dari Hugging Face Hub
+model = AutoModelForSequenceClassification.from_pretrained("siRendy/indobert-analisis-sentimen-review-produk-datathon2025")
+tokenizer = AutoTokenizer.from_pretrained("siRendy/indobert-analisis-sentimen-review-produk-datathon2025")
+
+# Fungsi prediksi
+def predict_sentiment(text):
+    classifier = pipeline(
+        "text-classification",
+        model=model,
+        tokenizer=tokenizer,
+        device=0 if torch.cuda.is_available() else -1
+    )
+
+    result = classifier(text)[0]
+    return {
+        "sentiment": str(result["label"]),
+        "confidence": round(result["score"], 4)
+    }
+
+# Contoh penggunaan
+text = "aih jelek nya ngawur iki opo seh, mo nipu lu ya"
+prediction = predict_sentiment(text)
+print(prediction)
+
+```