OPTIMASI MODEL FINE-TUNED DISTILBERT UNTUK KLASIFIKASI STATUS DAN JENIS PERATURAN PERUNDANG-UNDANGAN

Pengelolaan data peraturan perundang-undangan sangat penting untuk mendukung sistem informasi hukum yang efisien, namun kompleksitas bahasa hukum, keragaman struktur dokumen, dan volume data yang besar menjadi tantangan utama dalam proses klasifikasi otomatis. Penelitian ini bertujuan mengoptimalkan model DistilBERT melalui pendekatan fine-tuning dengan skema multi-task learning untuk memprediksi dua label secara bersamaan, yaitu status peraturan (berlaku/tidak berlaku) dan jenis/bentuk peraturan. Tahapan penelitian mencakup pengumpulan data, preprocessing, training model, dan evaluasi model. Model berhasil mencapai performa tinggi pada dua tugas klasifikasi, dengan akurasi 96%, precision 94%, recall 96%, dan F1-score 94% untuk klasifikasi status peraturan, serta hasil sempurna 100% pada seluruh metrik evaluasi untuk klasifikasi jenis/bentuk peraturan, menunjukkan ketepatan dan keandalan model dalam memahami serta mengelompokkan dokumen hukum secara menyeluruh. Temuan ini menegaskan bahwa model yang dioptimalkan ini sangat andal dalam klasifikasi status dan jenis peraturan perundang-undangan.

Kata kunci: DistilBERT, Fine-tuning, Klasifikasi, Optimasi, Pemrosesan Bahasa Alami