Kajian Kinerja Global Surrogate Model Untuk Menjelaskan Mekanisme IndoBERT Dalam Mengidentifikasi Sentimen Ajakan Boikot Produk Pro Israel

Abstract

Seiring berkembangnya teknologi, artificial intelligence (AI) menjadi sebuah model yang kompleks dan sulit dimengerti oleh manusia. Explainable AI (XAI) dapat digunakan untuk mengatasi masalah ini. Global surrogate model adalah metode XAI yang digunakan dalam penelitian ini untuk mengidentifikasi kemampuan white box model dalam mengukur kedekatan dan kemiripan prediksi dengan black box model. Perpaduan black box dan white box model yang digunakan adalah IndoBERT dan regresi logistik multinomial dengan penalti least absolute shrinkage and selection operator (LASSO). Metode tersebut cocok diterapkan pada data sentimen terhadap ajakan boikot produk pro Israel. Kejahatan terhadap Palestina kembali menggerakkan hati masyarakat global untuk membantu mengakhiri kejahatan tersebut dengan memboikot produk pro Israel. Realitanya, gerakan boikot ini tidak mudah karena masifnya informasi menimbulkan respon beragam dari masyarakat. Hasil penelitian menunjukkan bahwa mayoritas masyarakat menanggapi ajakan boikot dengan sentimen netral, diikuti oleh sentimen negatif dan positif. Regresi logistik multinomial LASSO berhasil menjelaskan mekanisme IndoBERT dalam mengidentifikasi sentimen ajakan boikot produk pro Israel. Hal ini ditandai dengan nilai R-squared sebesar 77,66% yang berarti regresi logistik multinomial LASSO cocok digunakan sebagai white box model dalam penelitian ini. Kata yang paling berpengaruh dalam penentuan sentimen negatif adalah kata “bayi” dan untuk sentimen positif adalah “apple”.

As time flies, technology is getting greater, and artificial intelligence (AI) becomes very complex and hard to be interpreted. Explainable AI (XAI) exists to solve this problem. Global surrogate model is XAI method used in this study to identify white box model's ability to replicate predictions of black box model. Black box and white box model used are IndoBERT and multinomial logistic regression with least absolute shrinkage and selection operator (LASSO) penalty regularization. These methods suit for Indonesian society's sentiment data about boycotting Israeli's products. Crimes against Palestinians are once again moving the hearts of the global community to help Palestinians by boycotting Israeli’s products. In reality, this boycott movement is not easy because massive information about product boycotted creates various response. As a result, people mostly gave neutral response to the call for a boycott, followed by negative and positive response. Multinomial logistic regression LASSO succeeds to explain the IndoBERT mechanism in identifying sentiment about call for a boycott Israeli’s products. This is supported by the R-squared value of 77,66%. The most influental word for negative sentiment prediction is “bayi” and for positive sentiment is “apple”.