Perpustakaan Digital ITB

Abstrak: Pemantauan bahaya makanan (food hazard) pada rantai pemasokan makanan sangat berperan penting untuk memastikan bekerjanya sistem manajemen keamanan. Penerapan Machine learning (ML) untuk pemantauan dan prediksi bahaya makanan sudah dilakukan di berbagai studi. Namun, penerapan dan eksplorasinya dalam klasifikasi bahaya makanan berbentuk teks masih sangat terbatas. Studi ini bertujuan untuk mengisi kesenjangan yang ada dalam penerapan ML yang lebih kompleks—khususnya model seperti Bidirectional Encoder Representations from Transformers (BERT)—dalam tugas deteksi dan klasifikasi bahaya makanan. Sistem yang dikembangkan mampu melakukan empat sub-task: klasifikasi bahaya makanan, deteksi entitas bahaya makanan, klasifikasi produk, dan deteksi entitas produk. Sistem ini menggunakan metode preprocessing data seperti NER dan augmentasi data untuk memperluas pemahaman model terhadap data yang dilatih. Eksperimen juga dilakukan untuk memperluas variasi penggunaan model BERT dan hyperparameter seperti learning rate dan epoch. Hasil menunjukkan bahwa nilai macro F1-score menurun seiring dengan bertambahnya jumlah kelas pada setiap sub-task. Peningkatan macro F1-score dibandingkan dengan model baseline berkisar antara 0.20 hingga 0.48 tergantung pada sub-task yang dilatih dan diprediksi.