MODEL PROFILING ANALYSIS DENGAN PENDEKATAN SEMANTIK BERBASIS TEKS MEDIA SOSIALAnggit DwiHartantoauthorPenelitian ini mengembangkan Semantic-Aware Personality Analysis (SAPA) sebagai model Profiling Analysis berbasis representasi semantik kontekstual untuk memprediksi kepribadian berdasarkan teks media sosial. Penelitian ini dilatarbelakangi oleh tingginya kompleksitas komputasi model Transformer berkapasitas besar, yang membatasi penerapannya dalam lingkungan dengan sumber daya terbatas. Penelitian ini bertujuan untuk mengidentifikasi faktor yang memengaruhi kinerja personality profiling, mengevaluasi berbagai model Transformer, mengembangkan strategi efisiensi melalui knowledge distillation, membangun model SAPA yang lebih ringan, serta memvalidasi hasil prediksi dari perspektif psikologi. Penelitian dilakukan melalui perbandingan model Transformer, evaluasi model regresi dan neural network, pengembangan SAPA menggunakan crossarchitecture knowledge distillation dari IndoBERT sebagai teacher kepada Model SAPA sebagai student yang menggunakan TinyBERT sebagai backbone, implementasi prototipe SAPADEV, expert judgment, serta pembangunan Dataset SAPAID dari teks publik di platform X dan Instagram. Evaluasi dilakukan menggunakan metrik klasifikasi, regresi, dan waktu inferensi. Hasil menunjukkan bahwa performa personality profiling dipengaruhi oleh jenis label, jumlah data, arsitektur model, serta strategi fine-tuning. Pada dataset hasil translasi, TinyBERT memperoleh F1-score klasifikasi tertinggi sebesar 0,55732, diikuti oleh IndoBERT sebesar 0,52420 dan SAPA sebesar 0,50558. Pada regresi, SAPA memperoleh MSE 0,55488 dan RMSE 0,73872, sedikit lebih rendah dibandingkan dengan IndoBERT dan TinyBERT, sedangkan MAE SAPA hampir sama dengan TinyBERT. Dari aspek efisiensi, waktu pemrosesan SAPA jauh lebih rendah dibandingkan IndoBERT, tetapi sedikit lebih tinggi dibandingkan TinyBERT. Hasil tersebut menunjukkan bahwa SAPA memberikan trade-off yang menguntungkan terhadap teacher model, sedangkan manfaat distilasi terhadap baseline student masih terbatas dan tidak konsisten pada seluruh tugas. Penelitian ini juga menghasilkan prototipe SAPADEV dan dataset SAPAID. Dari 29.696 dokumen awal diperoleh 29.695 dokumen final setelah pembersihan, dengan skor OCEAN berlabel silver yang dihasilkan SAPADEV. Expert judgment oleh tiga psikolog memperoleh rata-rata 3,08 dari skala 5, yang menunjukkan tingkat kesesuaian yang cukup terhadap konstruk Big Five Personality Traits. Novelty utama penelitian terletak pada konfigurasi task-specific cross-architecture logit-based knowledge distillation untuk menghasilkan lima skor OCEAN secara simultan, sedangkan SAPADEV, expert judgment, dan SAPAID merupakan kontribusi pendukung.000 Ilmu komputer, informasi dan pekerjaan umum004 Pemrosesan data dan ilmu komputer2026-07-29Universitas AMIKOM Yogyakarta;Fakultas Ilmu KomputerThesis