PENERAPAN FINE-TUNING LLAMA 3.1 8B MENGGUNAKAN UNSLOTH DAN TEKNIK QLORA TERHADAP DETEKSI ULASAN PALSU PRODUK E-COMMERCE

Ulasan palsu pada platform e-commerce merusak kepercayaan konsumen dan mendistorsi integritas pasar. Penelitian ini bertujuan mengembangkan sistem deteksi ulasan palsu yang akurat dan efisien secara komputasi menggunakan Large Language Model (LLM) Llama 3.1 8B. Metode yang diterapkan adalah fine-tuning menggunakan kerangka kerja Unsloth dan teknik Quantized Low-Rank Adaptation (QLoRA) dengan kuantisasi 4-bit untuk menghemat memori. Menggunakan dataset ulasan Amazon yang terdiri dari 40.000 data seimbang antara ulasan asli dan buatan komputer, model dilatih dengan memperbarui hanya 0,52% parameter model. Hasil evaluasi menunjukkan kinerja model yang sangat tinggi dengan akurasi 99,47%, precision 99,27%, recall 99,66%, dan F1-score 99,47%. Secara teknis, implementasi ini berhasil menekan penggunaan memori GPU hingga puncaknya hanya 8,98 GB. Namun, analisis loss menunjukkan terjadinya overfitting setelah epoch kedua, yang mengindikasikan bahwa pelatihan optimal cukup dilakukan dalam dua siklus. Penelitian ini membuktikan bahwa Llama 3.1 8B dengan teknik QLoRA merupakan solusi efektif untuk mendeteksi ulasan palsu pada infrastruktur terbatas.