PENGEMBANGAN DASHBOARD DETEKSI PESAN SPAM BERBAHASA INDONESIA BERBASIS INDOBERT DENGAN METODE LOCAL INTERPRETABLE MODEL-AGNOSTIC EXPLANATIONS (LIME) SEBAGAI INTERPRETABILITAS KEPUTUSAN MODEL

Latar Belakang. Penyebaran pesan spam berbasis penipuan siber (phishing) terus meningkat seiring dengan tingginya penetrasi internet di Indonesia. Metode klasifikasi tradisional berbasis kata kunci sering kali gagal memahami konteks semantik teks informal, sementara model deep learning modern yang akurat umumnya bersifat blackbox sehingga tidak transparan bagi pengguna. Tujuan. Penelitian ini bertujuan mengembangkan dashboard interaktif deteksi pesan spam berbahasa Indonesia dengan mengintegrasikan model bahasa berbasis Transformer IndoBERT varian indobert-base-p2 dan metode Local Interpretable Model-Agnostic Explanations (LIME) sebagai pendekatan Explainable Artificial Intelligence (XAI). Metode. Penelitian menggunakan metode Research and Development (R&D) dan eksperimental komputasional, di mana model dilatih menggunakan skema 5-Fold Stratified Cross-Validation pada 2.096 sampel data pelatihan dan evaluasi bersih hasil pra-pemrosesan. Hasil. Penerapan mekanisme Early Stopping dengan nilai patience sebesar 2 menghasilkan rata-rata F1-Score sebesar 0,9904 dan Validation Loss 0,0714, terbukti lebih optimal dalam mencegah overfitting dibandingkan pelatihan penuh 10 epoch. Model terbaik diperoleh dari Fold 3 checkpoint-420 pada epoch kedua dengan F1-Score 0,9955 dan Recall sempurna 1,0000. Pada pengujian menggunakan 524 sampel data uji yang sepenuhnya terpisah, model Best Single Fold mencatatkan Accuracy 0,9866, F1-Score 0,9872, dan AUC 0,9975, mengungguli pendekatan Soft Voting Ensemble yang menghasilkan 10 kesalahan prediksi. Metode LIME berhasil memberikan interpretabilitas tingkat lokal dengan memvisualisasikan kontribusi kata per kata melalui sorotan warna pada teks input. Kesimpulan. Dashboard interaktif berbasis Streamlit berhasil dikembangkan dan di-deploy secara public melalui Streamlit Cloud dan terbukti fungsional dalam mendeteksi pesan spam secara real-time sekaligus memberikan transparansi keputusan model kepada pengguna.