Perpustakaan Digital ITB

Pengkategorian keluhan pelanggan pada layanan media sosial umumnya masih dilakukan secara manual oleh agen, sehingga memakan waktu dan rentan terhadap ketidakkonsistenan. Kondisi ini mendorong perlunya otomatisasi melalui klasifikasi teks yang bersifat multi label, karena satu keluhan dapat memiliki lebih dari satu kategori, dan pendekatan yang hanya memilih satu kategori berisiko mengabaikan informasi penting. Sebagian kategori bahkan seringkali muncul bersamaan, sehingga model yang memperlakukan setiap kategori secara independen berisiko keliru membedakan kategori yang saling tumpang tindih. Ketidakseimbangan distribusi antar-kategori turut menjadi tantangan, karena dapat menghasilkan model yang mengabaikan kategori berdata sedikit. Pendekatan berbasis fine-tuning model bahasa pra-latih berukuran besar menghasilkan akurasi tinggi, tetapi membutuhkan sumber daya komputasi besar, terutama pada tahap inferensi, sehingga kurang sesuai untuk penanganan keluhan bervolume besar. Untuk mengatasi permasalahan tersebut, penelitian ini bertujuan membangun model klasifikasi multi label keluhan pelanggan yang akurat melalui pemodelan korelasi antar-label, namun tetap ringan secara komputasi, dengan mengusulkan integrasi Correlation Network (CorNet) ke dalam kerangka Multi-Teacher Distillation-Based CNN (MDCNN), yang menempatkan BERT dan Bidirectional Gated Recurrent Unit (BiGRU) sebagai model guru dan TextCNN sebagai model murid. Data yang digunakan adalah keluhan pelanggan dari Twitter periode 2023 hingga 2025, dengan dataset akhir sebanyak 12.692 baris pada delapan tipe isu setelah pra-pemrosesan, di mana ketidakseimbangan ekstrem pada tipe isu GPTL dan INFORMASI mendominasi masing-masing 62,7% dan 57,8%. Untuk menangani ketidakseimbangan data, diuji tujuh kombinasi strategi yang mencakup MLSMOTE, PROS, PRUS, dan class weight. Hasil penelitian menunjukkan MDCNN yang memanfaatkan BERT dan BiGRU sebagai model guru berhasil mentransfer pengetahuan ke TextCNN sebagai model murid melalui distilasi, dengan F1-Score sebesar 0,8451 pada kondisi penyeimbangan terbaik, meningkat dari TextCNN tanpa distilasi sebesar 0,7401, sekaligus melampaui kinerja model guru secara individual meskipun parameternya sekitar 29 kali lebih sedikit dibandingkan BERT. Integrasi CorNet meningkatkan kemampuan model memodelkan korelasi antar-label, sehingga F1-Score meningkat menjadi 0,8706 dan akurasi mencapai 92,77%, dengan tambahan parameter hanya sebesar 0,0448%, menjawab kelemahan MDCNN dalam membedakan kategori yang saling tumpang tindih. Model usulan mampu menyalip kinerja terbaik sekaligus mempertahankan keunggulan efisiensi inferensi. Penelitian ini memberikan kontribusi berupa model klasifikasi keluhan pelanggan yang ringan namun mampu memodelkan korelasi antar-label, sehingga mendukung penanganan keluhan yang lebih cepat, konsisten, dan akurat.