IndonesiaChatKlasifikasi

Klasifikasi Intent Threads Bahasa Indonesia

Beri label postingan Threads berbahasa Indonesia dengan niat beli, minta rekomendasi, komplain, pujian, ulasan, dan 11 intent lainnya, memakai model IndoBERT kecil yang berjalan di CPU.

Model klasifikasi postingan Threads berbahasa Indonesia untuk social listening yang memberi label hingga 16 intent pada setiap postingan, offline di CPU. Tujuh di antaranya sinyal brand untuk social listening: purchase_intent, ask_recommendation, comparison, complaint, praise, review_experience, dan promotion. Sembilan lainnya menamai sisa isi feed: question, opinion, curhat, news_info, meme_humor, greeting, engagement_bait, random, dan spam. Satu postingan mendapat setiap intent yang dikandungnya, biasanya satu atau dua, sehingga ulasan kecewa yang sekaligus minta alternatif dihitung sebagai komplain, ulasan, dan permintaan rekomendasi. Tidak ada kategori `other` tempat komplain sungguhan bisa tersembunyi. Dilatih dengan cara orang Indonesia memposting: bahasa santai, singkatan (yg, gk, bgt), campuran Indonesia-Inggris (spill, worth it, racun), dan logat daerah. Modelnya IndoBERT (indobenchmark/indobert-base-p1) yang dipangkas menjadi 6 dari 12 lapisan dan diekspor sebagai graf ONNX INT8. Contoh: "mending HP A atau B? mau beli minggu ini" adalah comparison, ask_recommendation, dan purchase_intent, sedangkan "udah 2 bulan pakai serum X, juara sih #ad" adalah review_experience, praise, dan promotion.

Apa yang dijawabnyaSetiap intent yang `score`-nya melewati batas, beserta `score` untuk ke-16 intent. Daftar kosong berarti tidak ada intent yang melewati batas.

Spesifikasi

Di balik layar

Di balik layar
	Indonesia
Model dasar	indobenchmark/indobert-base-p1
Parameter	66.6M
Ukuran	67.2 MB
Format	ONNX INT8
Token maksimum	192

Didistilasi dari model dasar dengan mempertahankan lebih sedikit layer dan memangkas kosakata ke bahasa yang dilayani, lalu dikuantisasi ke INT8 agar muat di CPU, perangkat edge, atau perangkat embedded.

Contoh penggunaan

Apa yang bisa Anda lakukan

Social listening untuk brand
Jalankan setiap postingan yang menyebut brand atau kategori Anda lewat model, simpan komplain, pujian, ulasan, dan niat beli; buang meme, sapaan, dan spam berdasarkan labelnya.
Menemukan calon pembeli yang sedang bertanya
Tampilkan postingan purchase_intent, ask_recommendation, dan comparison di kategori Anda, tempat orang sedang memilih apa yang akan dibeli.
Menentukan kapan memanggil model besar
Kirim hanya postingan yang membawa sinyal brand ke LLM untuk dirangkum atau dibalas. Model kecil yang menyaring feed lebih dulu.

Contoh hasil

Output nyata dari build ini pada baris uji — data yang tidak pernah dilihatnya saat pelatihan. Masing-masing menampilkan input, jawaban model, dan label rujukan pembandingnya. Tidak ada yang ditulis tangan.

python

>>> classify("honestly capek bolak-balik toko, ada rekomendasi online shop pakan burung kenari yang pengirimannya cepat ke Surabaya? kuota 2 kg per bulan, budget Rp180.000.")

{
  "labels": [
    "purchase_intent",
    "ask_recommendation"
  ],
  "scores": {
    "purchase_intent": 0.4195,
    "ask_recommendation": 0.9605,
    "comparison": 0.0637,
    "complaint": 0.0401,
    "praise": 0.0148,
    "review_experience": 0.0125,
    "promotion": 0.0068,
    "question": 0.036,
    "opinion": 0.0082,
    "curhat": 0.1717,
    "news_info": 0.0127,
    "meme_humor": 0.0193,
    "greeting": 0.0223,
    "engagement_bait": 0.0086,
    "random": 0.0082,
    "spam": 0.0093
  }
}

# Rujukan: ask_recommendation ✗ Berbeda

>>> classify("Menurut ambo, menonton film di bioskop Rp50.000 lebih berkesan daripada streaming Rp39.000 sebulan.")

{
  "labels": [
    "comparison"
  ],
  "scores": {
    "purchase_intent": 0.0123,
    "ask_recommendation": 0.0212,
    "comparison": 0.8639,
    "complaint": 0.0263,
    "praise": 0.0169,
    "review_experience": 0.2092,
    "promotion": 0.0212,
    "question": 0.0084,
    "opinion": 0.2147,
    "curhat": 0.0139,
    "news_info": 0.0177,
    "meme_humor": 0.0101,
    "greeting": 0.0109,
    "engagement_bait": 0.0179,
    "random": 0.0115,
    "spam": 0.0137
  }
}

# Rujukan: comparison ✗ Berbeda

>>> classify("aplikasi bank maintenance terus, which is parah")

{
  "labels": [
    "complaint"
  ],
  "scores": {
    "purchase_intent": 0.0167,
    "ask_recommendation": 0.0163,
    "comparison": 0.01,
    "complaint": 0.9532,
    "praise": 0.0126,
    "review_experience": 0.0392,
    "promotion": 0.01,
    "question": 0.0195,
    "opinion": 0.0288,
    "curhat": 0.0454,
    "news_info": 0.0131,
    "meme_humor": 0.0163,
    "greeting": 0.0067,
    "engagement_bait": 0.0102,
    "random": 0.0281,
    "spam": 0.0124
  }
}

# Rujukan: complaint ✗ Berbeda

>>> classify("kopi Senja Kita dingin2 gini enak bgt, 10/10 deh")

{
  "labels": [
    "praise"
  ],
  "scores": {
    "purchase_intent": 0.0115,
    "ask_recommendation": 0.0143,
    "comparison": 0.0063,
    "complaint": 0.0243,
    "praise": 0.8577,
    "review_experience": 0.1871,
    "promotion": 0.013,
    "question": 0.0118,
    "opinion": 0.0163,
    "curhat": 0.0117,
    "news_info": 0.0125,
    "meme_humor": 0.0164,
    "greeting": 0.0058,
    "engagement_bait": 0.0081,
    "random": 0.071,
    "spam": 0.0074
  }
}

# Rujukan: praise ✗ Berbeda

>>> classify("Beli helm half-face Rp135.000 di marketplace 🪖 udah 2 bulan dipakai tiap hari. Busa dalam masih empuk, visor agak lecet dikit. Belum ada keluhan, ya sesuai harga lah 👌")

{
  "labels": [
    "review_experience"
  ],
  "scores": {
    "purchase_intent": 0.0278,
    "ask_recommendation": 0.0117,
    "comparison": 0.0159,
    "complaint": 0.0712,
    "praise": 0.0361,
    "review_experience": 0.9557,
    "promotion": 0.0251,
    "question": 0.0148,
    "opinion": 0.0086,
    "curhat": 0.0094,
    "news_info": 0.0185,
    "meme_humor": 0.0089,
    "greeting": 0.0101,
    "engagement_bait": 0.0094,
    "random": 0.0124,
    "spam": 0.0075
  }
}

# Rujukan: review_experience ✗ Berbeda

Data latih

Postingan Threads sintetis berbahasa Indonesia yang dibuat dari tujuh belas topik, delapan jenis penulis, tujuh format postingan, sembilan gaya penulisan, dan delapan logat daerah, dilabeli dengan satu rubrik; seperempat setiap batch berada di salah satu dari tiga belas batas yang mudah tertukar dan seperlimanya membawa dua atau tiga intent. Nama brand dalam data adalah fiktif.

Kelas yang dipelajari model ini untuk dikenali:

Kelas yang dipelajari model ini untuk dikenali:
Label	Arti
`purchase_intent`	Penulis ingin membeli sesuatu, atau bertanya di mana membelinya.
`ask_recommendation`	Meminta orang lain memilihkan produk, toko, tempat, atau layanan.
`comparison`	Membandingkan dua pilihan atau lebih.
`complaint`	Kecewa dengan produk, brand, toko, atau layanan, dan mengatakannya.
`praise`	Memuji produk, brand, toko, atau layanan.
`review_experience`	Menceritakan pengalaman penulis memakai produk atau layanan.
`promotion`	Jualan, link afiliasi, #ad atau endorse, giveaway, open PO, jastip.
`question`	Bertanya informasi yang bukan soal memilih atau membeli.
`opinion`	Pendapat, hot take, atau argumen tentang topik, tren, atau brand.
`curhat`	Perasaan atau masalah pribadi: kerja, cinta, uang, keluarga.
`news_info`	Berita, tips, tutorial, pengumuman, atau info promo yang diteruskan.
`meme_humor`	Lelucon, meme, dan postingan receh.
`greeting`	Sapaan, perkenalan, ucapan selamat pagi dan selamat malam.
`engagement_bait`	Postingan untuk memancing balasan atau follow: 'drop akun kalian', mutualan.
`random`	Pikiran lewat dan update harian tanpa pertanyaan atau pendapat.
`spam`	Judi online, penipuan, pinjaman palsu, jual followers, sebar link.

Lima baris contoh pertama, beserta label masing-masing:

Lima baris contoh pertama, beserta label masing-masing:
#	Teks	Label
0	honestly capek bolak-balik toko, ada rekomendasi online shop pakan burung kenari yang pengirimannya cepat ke Surabaya? kuota 2 kg per bulan, budget Rp180.000.	`ask_recommendation`
1	Menurut ambo, menonton film di bioskop Rp50.000 lebih berkesan daripada streaming Rp39.000 sebulan.	`comparison`
2	aplikasi bank maintenance terus, which is parah	`complaint`
3	kopi Senja Kita dingin2 gini enak bgt, 10/10 deh	`praise`
4	Beli helm half-face Rp135.000 di marketplace 🪖 udah 2 bulan dipakai tiap hari. Busa dalam masih empuk, visor agak lecet dikit. Belum ada keluhan, ya sesuai harga lah 👌	`review_experience`

Skrip intura-ai

Jalankan dengan SDK intura-ai

1
Dapatkan
Masuk di situs ini lalu tekan Dapatkan. Model masuk ke library Anda beserta semua versinya.
2
Buat kunci unduhan
Di halaman akun, buat kunci unduhan lalu pasang sebagai INTURA_API_KEY. Kunci ini hanya mengunduh yang Anda miliki.
3
Pasang
pip install "intura-ai[local]" — SDK beserta runtime CPU yang dipakainya untuk menjalankan model di mesin Anda.
4
Jalankan
Jalankan skripnya. Skrip mengunduh build sekali dan memeriksa SHA-256 setiap file, lalu berjalan di CPU, perangkat edge, atau Linux embedded Anda — tanpa panggilan jaringan setelah diunduh.

run.py

# pip install "intura-ai>=3.0.0"
# export INTURA_API_KEY=...  # a download key from your account
from intura_ai import Intura, LocalModel

client = Intura()
# Downloads once into ./chat-threads-post-intent-id/v1.0; later runs reuse the files on disk.
model_dir = client.models.download("chat-threads-post-intent-id", version="v1.0")
model = LocalModel.load(model_dir)  # CPU, no network from here on

print(model.predict('honestly capek bolak-balik toko, ada rekomendasi online shop pakan burung kenari yang pengirimannya cepat ke Surabaya? kuota 2 kg per bulan, budget Rp180.000.'))
# {"labels": [...], "scores": {...}}

Kirim satu postingan sebagai teks biasa, termasuk hashtag dan emoji. Balasan dan satu thread utuh bukan data latihnya.

Ingin melihat jawabannya sebelum mendapatkannya? Baca bagian Contoh hasil

Versi

Setiap versi tetap bisa diunduh setelah Anda memiliki modelnya. ID versi menamai persis byte yang Anda unduh.

v1.0DirekomendasikanONNX INT867.2 MBDirilis 16 Okt 2026

Masukan

Perlu ada yang diubah di model ini?

Minta label atau bahasa baru, beri tahu kami di mana hasilnya meleset pada data Anda, minta bantuan menjalankannya, atau laporkan bug. Setiap pesan dibaca oleh tim kami dan dibalas lewat email.

Temukan model untuk tugas Anda.

Cari berdasarkan tugasnya, baca contoh hasil nyata, lalu unduh untuk dijalankan di CPU Anda sendiri — mulai $9 selama early bird.

Jelajahi model Buka library Anda

Di balik layar

Apa yang bisa Anda lakukan

Social listening untuk brand

Menemukan calon pembeli yang sedang bertanya

Menentukan kapan memanggil model besar

Contoh hasil

Data latih

Jalankan dengan SDK intura-ai

Dapatkan

Buat kunci unduhan

Pasang

Jalankan

Versi

Perlu ada yang diubah di model ini?

Temukan model untuk tugas Anda.