---
title: "Analisis sentimen dan klasifikasi tiket bahasa Arab via LLM"
description: "Klasifikasikan ulasan, pesan, dan tiket support berbahasa Arab dengan API LLM: desain label, prompt sadar dialek, output JSON, uji macro F1, dan biaya skala besar."
url: https://broadrouter.com/id/blog/arabic-text-classification-llm/
lang: id
updated: 2026-11-15
publisher: BroadRouter (a BroadNet site); API by BroadNet Inference, https://inference.broadnet.ai
---

Diterjemahkan dari bahasa Inggris dengan bantuan AI. [Baca versi asli bahasa Inggris](https://broadrouter.com/blog/arabic-text-classification-llm/) (diperbarui 2026-11-16).

# Klasifikasi teks bahasa Arab dengan LLM: sentimen, intent, triase

Oleh tim BroadNet Inference · 7 menit baca · Dipublikasikan 2026-11-15 · Diperbarui 2026-11-16

Untuk mengklasifikasikan teks bahasa Arab dengan LLM, tetapkan set label singkat dengan definisi satu baris, beri beberapa contoh berlabel untuk setiap dialek yang Anda terima, minta JSON berisi satu label dan kutipan singkat sebagai bukti, dan set penalaran rendah. Lalu nilai model pada 200 pesan berlabel manual dengan macro F1 sebelum memercayainya. Model bahasa Arab hasil fine-tuning tetap bisa mengalahkan LLM umum.

## Poin penting

-   Tulis label dan definisinya lebih dulu. Sebagian besar kesalahan klasifikasi berasal dari label yang kabur, bukan dari modelnya.
-   Sertakan contoh untuk setiap dialek yang Anda terima. Sebuah studi tahun 2025 menemukan bahwa prompting yang sadar dialek meningkatkan akurasi sentimen bahasa Arab.
-   Minta JSON dengan satu label dan kutipan dari teks, dan jaga output tetap pendek: token output lebih mahal daripada input.
-   Nilai pada set berlabel milik Anda sendiri dengan macro F1 dan confusion matrix. Pesan netral dan campuran adalah tempat model paling sering berbeda pendapat dengan manusia.
-   Masukkan banyak pesan pendek dalam satu permintaan agar tetap di dalam rate limit: kunci API bayar sesuai pemakaian di BroadNet mengizinkan 30 permintaan per menit.

**Di halaman ini**

1.  Pekerjaan klasifikasi apa yang cocok untuk LLM?
2.  Apa kata riset tentang LLM untuk bahasa Arab?
3.  Bagaimana merancang label?
4.  Prompt seperti apa yang berhasil untuk klasifikasi bahasa Arab?
5.  Model BroadNet mana yang sebaiknya dipakai?
6.  Bagaimana menguji classifier?
7.  Bagaimana melakukan klasifikasi dalam volume besar?
8.  Kesalahan apa yang perlu dihindari?
9.  Kapan LLM adalah classifier yang salah?
10.  Posisi BroadNet Inference

Pekerjaan klasifikasi bahasa Arab ada di mana-mana: apakah ulasan ini positif, apakah pesan WhatsApp ini keluhan, tim mana yang harus menerima tiket ini, apakah ini mendesak. Sebelum ada LLM, setiap pekerjaan membutuhkan dataset berlabel dan model hasil fine-tuning. Sekarang Anda bisa mulai dengan prompt. Itu lebih cepat, tetapi juga mudah merilis classifier yang terlihat bagus pada sepuluh contoh lalu gagal pada dialek Teluk. Artikel ini membahas prompt, format output, pengujian, dan biaya.

## Pekerjaan klasifikasi apa yang cocok untuk LLM?

| Pekerjaan | Contoh label | Catatan |
| --- | --- | --- |
| Sentimen | positif, negatif, netral, campuran | Netral dan campuran adalah kelas tempat manusia dan model paling sering berbeda pendapat |
| Intent | keluhan, pertanyaan, pesanan, pembatalan, lainnya | Pertahankan “lainnya”; memaksakan label menimbulkan kesalahan |
| Routing tiket | penagihan, pengiriman, teknis, akun | Dasarkan label pada tim Anda yang sebenarnya |
| Urgensi | mendesak, normal | Definisikan mendesak dalam satu baris: “pelanggan tidak bisa memakai layanan sekarang” |
| Dialek atau aksara | MSA, Teluk, Mesir, Levant, Arabizi | Berguna untuk merutekan ke template balasan yang tepat; lihat [Arabizi](https://broadrouter.com/id/blog/arabizi-llm-handling/) |
| Tag topik | Beberapa label dari daftar tetap | Minta daftar, batasi panjangnya |

LLM cocok ketika contoh berlabel Anda sedikit, labelnya sering berubah, atau Anda menginginkan alasan untuk setiap label. Classifier hasil fine-tuning cocok ketika labelnya stabil, volumenya sangat besar, dan Anda sudah punya ribuan contoh berlabel.

## Apa kata riset tentang LLM untuk bahasa Arab?

Dua hasil layak diketahui sebelum Anda mulai:

-   **Model bahasa Arab hasil fine-tuning bisa menang.** GPTAraEval menguji ChatGPT pada 44 tugas bahasa Arab dan menemukannya “consistently surpassed by smaller models that have undergone finetuning on Arabic” (Terjemahan BroadRouter: secara konsisten dikalahkan oleh model yang lebih kecil yang telah di-fine-tune dengan bahasa Arab). Penulisnya juga menemukan hasil yang lebih lemah pada dialek dibanding bahasa Arab Standar Modern ([Khondaker dkk.](https://arxiv.org/abs/2305.14976)).
-   **Prompt yang sadar dialek membantu.** Sebuah studi RANLP 2025 terhadap DeepSeek-R1, Qwen2.5, dan LLaMA-3 untuk sentimen dalam MSA, dialek Saudi, dan Darija Maroko melaporkan bahwa prompting yang sadar dialek meningkatkan akurasi, terutama untuk kelas netral dan negatif ([Alharbi dkk.](https://aclanthology.org/2025.ranlp-1.8/)).

Ini model yang lebih lama atau berbeda dari yang akan Anda pakai, jadi anggap hasilnya sebagai arah, bukan angka. Pelajarannya tetap berlaku: ukur pada pesan Anda sendiri, per dialek.

## Bagaimana merancang label?

Mulailah di sini, bukan dengan modelnya.

1.  **Jaga daftarnya tetap pendek.** Empat sampai delapan label per pertanyaan. Ajukan pertanyaan yang berbeda (sentimen, intent, urgensi) sebagai field terpisah, bukan satu daftar raksasa.
2.  **Definisikan setiap label dalam satu baris,** beserta apa yang bukan termasuk label itu: “keluhan: pelanggan melaporkan masalah dengan sesuatu yang dibelinya. Bukan pertanyaan tentang harga.”
3.  **Tambahkan label pelarian** seperti `other` atau `unclear`.
4.  **Putuskan kasus campuran sejak awal.** “Pengirimannya terlambat tetapi kurirnya ramah” adalah campuran, bukan netral. Tuliskan aturan itu.

Definisi label boleh dalam bahasa Inggris meskipun teksnya berbahasa Arab. Pertahankan nilai label dalam bahasa Inggris agar kode Anda tidak bergantung pada pencocokan string bahasa Arab.

## Prompt seperti apa yang berhasil untuk klasifikasi bahasa Arab?

```python
import json, os
from openai import OpenAI

client = OpenAI(base_url="https://inference.broadnet.ai/v1", api_key=os.environ["BROADNET_API_KEY"])
LABELS = ["complaint", "question", "order", "cancel", "other"]

SYSTEM = """You classify customer messages written in Arabic.
Messages may be Modern Standard Arabic, Gulf or Egyptian dialect, Arabizi, or mixed with English.
Labels:
- complaint: reports a problem with a product, delivery or service.
- question: asks for information; no problem reported.
- order: wants to buy or change an order.
- cancel: wants to cancel an order or subscription.
- other: none of the above.
Return JSON only: {"label": one of the labels, "evidence": the shortest Arabic phrase from the message that decided it}.

Examples:
"الطلب وصل ناقص قطعتين" -> {"label": "complaint", "evidence": "وصل ناقص"}
"بكم التوصيل للرياض؟" -> {"label": "question", "evidence": "بكم التوصيل"}
"عايز ألغي الاشتراك" -> {"label": "cancel", "evidence": "ألغي الاشتراك"}"""

def classify(text):
    r = client.chat.completions.create(
        model="broadnet/qwen3.8-27b",
        temperature=0,
        reasoning_effort="low",
        max_tokens=1000,
        messages=[{"role": "system", "content": SYSTEM},
                  {"role": "user", "content": text}])
    out = json.loads(r.choices[0].message.content)
    if out.get("label") not in LABELS:
        raise ValueError(f"bad label: {out}")
    return out
```

Alasan setiap bagian ada di sana:

-   **Baris dialek** memberi tahu model apa yang harus diharapkan, dan itulah prompting sadar dialek yang dinilai membantu oleh studi RANLP.
-   **Contoh dalam lebih dari satu dialek.** Contoh di atas mencampur dialek Teluk dan Mesir. Pakai pesan nyata (yang sudah dianonimkan) dari trafik Anda sendiri.
-   **Bukti berupa kutipan** memungkinkan peninjau mengecek label dalam sedetik, dan membuat tebakan lebih mudah dikenali.
-   **`reasoning_effort="low"`.** Qwen3.8 27B, GLM 5.3, dan DeepSeek V4.1 Flash melakukan penalaran sebelum menjawab, dan penalaran dihitung dalam `max_tokens`. Dokumentasi BroadNet menyarankan mengatur `reasoning_effort` ke `low` atau menyisakan 1.000 token atau lebih. [Mengapa jawaban bisa kembali kosong jika tidak](https://broadrouter.com/id/guides/reasoning-tokens-empty-response/).
-   **Tolak label yang tidak dikenal di kode.** Jangan pernah percaya model akan tetap di dalam daftar.

Untuk kontrak output yang lebih ketat, lihat [JSON mode vs json\_schema](https://broadrouter.com/id/blog/structured-output-json-schema/). BroadNet mencantumkan output terstruktur untuk GLM 5.3 dan Qwen3.8 27B.

## Model BroadNet mana yang sebaiknya dipakai?

| Model | Alasan memilihnya | Input / output per 1 juta token |
| --- | --- | --- |
| [Qwen3.8 27B](https://broadrouter.com/id/models/qwen3.8-27b/) | Diuji BroadNet dalam bahasa Arab: memahami dialek Teluk dan Mesir; output terstruktur tercantum | $0.175 / $2.17 |
| [BroadNet Gemma 4 VL 26B](https://broadrouter.com/id/models/gemma-4-vl-26b/) | Harga per token terendah di BroadNet; bisa dipakai dengan kredit awal $5; output terstruktur tidak tercantum, jadi validasi output dengan ketat | $0.10 / $0.22 |
| [DeepSeek V4.1 Flash](https://broadrouter.com/id/models/deepseek-v4.1-flash/) | Juga tersedia di paket flat seharga $60 per bulan per sesi, satu permintaan dalam satu waktu | $0.175 / $0.52 |
| [GLM 5.3](https://broadrouter.com/id/models/glm-5.3/) | Output terstruktur tercantum; harga tertinggi di antara keempatnya | $0.78 / $3.46 |

Jalankan test set Anda di Qwen3.8 27B dan Gemma 4 VL 26B lebih dulu. Jika skor Gemma cukup dekat, model itulah pilihan yang lebih murah untuk label pendek. Pilih berdasarkan angka Anda, bukan berdasarkan tabel ini.

## Bagaimana menguji classifier?

1.  **Beri label manual pada 200 pesan nyata** bersama penutur asli, memakai definisi label di atas. Sertakan setiap dialek yang Anda terima, minimal 30 per dialek.
2.  **Jalankan model pada ke-200 pesan.**
3.  **Hitung macro F1,** yaitu rata-rata skor F1 per label, agar label yang jarang dihitung setara dengan label yang umum. Akurasi saja menyembunyikan model yang tidak pernah menjawab `cancel`.
4.  **Baca confusion matrix-nya.** Jika `question` dan `complaint` sering tertukar, definisinya tumpang tindih: perbaiki definisinya sebelum mengganti model.
5.  **Pisahkan hasil per dialek.** Model bisa kuat di MSA dan lemah di dialek Teluk.

```python
# pip install scikit-learn
from sklearn.metrics import classification_report, confusion_matrix
pred = [classify(t)["label"] for t in texts]
print(classification_report(gold, pred, labels=LABELS, digits=3))
print(confusion_matrix(gold, pred, labels=LABELS))
```

Jalankan ulang set yang sama setiap kali Anda mengubah prompt atau model. [Cara mengevaluasi LLM sebelum beralih](https://broadrouter.com/id/blog/evaluate-llm-before-switching/) membahas cara mempertahankan test set yang tetap.

## Bagaimana melakukan klasifikasi dalam volume besar?

Klasifikasi berat di sisi input: system prompt yang panjang, pesan yang pendek, dan jawaban satu kata. Tiga tuas yang penting.

**Kelompokkan pesan per permintaan.** Kunci API bayar sesuai pemakaian di BroadNet mengizinkan 30 permintaan per menit dan 4 yang berjalan bersamaan. Satu pesan per permintaan membatasi Anda pada 30 pesan per menit per kunci, atau 1.440 kali itu per hari. Kirim 20 pesan pendek sebagai daftar bernomor dan minta array JSON berisi 20 hasil: rate limit yang sama kemudian mencakup pesan dua puluh kali lebih banyak. Cek bahwa panjang array cocok dan setiap item membawa nomornya.

**Jaga prefiks prompt tetap identik.** System prompt dan contoh sama di setiap panggilan. Taruh keduanya di depan dan pesannya di akhir, agar bisa dibaca dari cache dengan harga input cache, misalnya $0.0435 alih-alih $0.175 per 1 juta token di Qwen3.8 27B. [Cara menyusun prompt agar prefiksnya ter-cache](https://broadrouter.com/id/blog/prompt-structure-for-caching/).

**Jaga output tetap pendek.** Token output lebih mahal daripada input. Satu label dan satu kutipan pendek sudah cukup; hapus field bukti setelah Anda memercayai modelnya.

Bahasa Arab biasanya memakan lebih banyak token per kata daripada bahasa Inggris, jadi hitung contoh pesan Anda di [penghitung token bahasa Arab](https://broadrouter.com/tools/arabic-token-counter/), lalu hitung biaya sebulan di [kalkulator biaya API LLM](https://broadrouter.com/tools/llm-api-cost-calculator/).

## Kesalahan apa yang perlu dihindari?

-   **Menguji dengan terjemahan bahasa Inggris.** Teks terjemahan bukan cara pelanggan Anda menulis.
-   **Satu skor untuk semua dialek.** Laporkan setiap dialek secara terpisah.
-   **Tidak ada label pelarian.** Memaksa setiap pesan masuk ke label sungguhan menggelembungkan kesalahan.
-   **Jawaban teks bebas.** “Sepertinya negatif” tidak bisa di-parse. Minta JSON dan validasi.
-   **Mengabaikan sarkasme.** “ما شاء الله، ثالث مرة يتأخر الطلب” (Masya Allah, sudah ketiga kalinya pesanan terlambat) terbaca positif kata per kata padahal itu keluhan. Masukkan contoh seperti itu ke prompt.

## Kapan LLM adalah classifier yang salah?

Ketika labelnya stabil, Anda sudah punya ribuan contoh berlabel, dan volumenya jutaan, model encoder bahasa Arab hasil fine-tuning biasanya lebih murah per pesan dan, menurut GPTAraEval, bisa lebih akurat. Untuk pekerjaan offline besar yang bisa menunggu, penyedia dengan batch API juga mungkin lebih murah: OpenAI menawarkan diskon 50% untuk batch job yang selesai dalam 24 jam. BroadNet tidak punya batch API. Pola yang umum adalah memakai LLM untuk melabeli beberapa ribu pesan pertama, mengeceknya secara manual, lalu melatih model kecil dari hasilnya.

## Posisi BroadNet Inference

BroadNet memberi Anda model yang sudah diuji dalam bahasa Arab (Qwen3.8 27B), model murah yang bisa dipakai dengan kredit awal (Gemma 4 VL 26B), dan opsi tarif flat (DeepSeek V4.1 Flash) di balik satu kunci API yang kompatibel dengan OpenAI, tanpa menyimpan konten pesan setelah permintaan selesai. Itu cocok untuk tim support yang ingin mengklasifikasikan pesan berbahasa Arab tanpa membangun pipeline pelatihan. Itu tidak cocok untuk pekerjaan offline sangat besar ketika diskon batch atau model hasil fine-tuning akan lebih murah. Mulailah dengan prompt di atas, uji 200 pesan, dan artikel [dialek Teluk, Mesir, dan Levant](https://broadrouter.com/id/blog/arabic-llm-gulf-egyptian-dialects/) untuk menyusun test set.

Alat gratis untuk topik ini (bahasa Inggris)

-   [Arabic token counter](https://broadrouter.com/tools/arabic-token-counter/) Arabic vs English token counts per tokenizer: the "Arabic tax" in tokens and money.
-   [Arabic text normalizer](https://broadrouter.com/tools/arabic-text-normalizer/) Tashkeel, tatweel, alef, ya, ta marbuta, digits and invisible characters, with a matching Python function.
-   [Speech-to-text cost calculator](https://broadrouter.com/tools/speech-to-text-cost-calculator/) Hours, calls or voice notes to a monthly transcription bill, against your current provider.

[Alat gratis (bahasa Inggris)](https://broadrouter.com/tools/)

## Istilah dalam artikel ini

[Fine-tuning](https://broadrouter.com/id/glossary/fine-tuning/)

Fine-tuning adalah proses melanjutkan pelatihan model bahasa yang sudah dilatih sebelumnya dengan dataset yang lebih kecil dan khusus tugas, seperti contoh percakapan, sehingga bobotnya berubah dan model menjalankan tugas atau gaya itu dengan lebih andal tanpa perlu instruksi panjang atau contoh di setiap prompt.

[Token](https://broadrouter.com/id/glossary/token/)

Token adalah satuan teks yang dibaca dan ditulis model bahasa: sebuah kata, bagian kata, tanda baca, atau urutan byte yang dihasilkan tokenizer model. API LLM menghitung, membatasi, dan biasanya menagih pemakaian dalam token.

[Output terstruktur (structured output)](https://broadrouter.com/id/glossary/structured-output/)

Output terstruktur adalah fitur API LLM yang membatasi balasan model pada format yang ditentukan developer, biasanya JSON Schema, agar kode bisa mem-parse-nya dengan andal. Fitur ini lebih ketat daripada JSON mode, yang menjamin JSON valid tetapi tidak menjamin bentuk tertentu.

[Rate limit (batas laju)](https://broadrouter.com/id/glossary/rate-limit/)

Rate limit adalah batas yang diterapkan API pada seberapa banyak client boleh memakainya dalam rentang waktu tertentu, misalnya permintaan per menit atau token per menit. Permintaan yang melebihi batas ditolak, biasanya dengan HTTP 429 Too Many Requests, sampai pemakaian kembali di bawah batas.

[Batch API](https://broadrouter.com/id/glossary/batch-api/)

Batch API adalah endpoint LLM asinkron yang menerima banyak request sekaligus, biasanya sebagai file, memprosesnya dalam jangka waktu tertentu alih-alih seketika, lalu mengembalikan hasilnya bersama-sama. Penyedia seperti OpenAI dan Anthropic memberi harga request batch dengan diskon dibanding API standar mereka.

[Bayar sesuai pemakaian (pay-as-you-go)](https://broadrouter.com/id/glossary/pay-as-you-go/)

Bayar sesuai pemakaian (pay-as-you-go) adalah model harga di mana Anda hanya membayar yang Anda pakai, dihitung per satuan seperti token, permintaan, atau menit audio, tanpa langganan atau komitmen minimum. Sebagian besar API LLM menagih dengan cara ini, dari saldo prabayar atau tagihan berkala.

[System prompt (prompt sistem)](https://broadrouter.com/id/glossary/system-prompt/)

System prompt adalah teks instruksi yang dikirim aplikasi ke model bahasa sebelum percakapan, biasanya sebagai pesan dengan peran system atau developer. System prompt menetapkan peran, aturan, gaya bahasa, dan format output model, dan model dirancang untuk mengikutinya di atas pesan pengguna yang bertentangan.

[Arabizi (Franco-Arabic)](https://broadrouter.com/id/glossary/arabizi/)

Arabizi adalah bahasa Arab yang ditulis secara informal dengan huruf Latin, memakai angka untuk bunyi Arab yang tidak punya padanan Latin, misalnya 3 untuk ع. Arabizi umum di chat dan media sosial, kebanyakan berupa dialek, tidak punya ejaan baku, dan sering dicampur dengan bahasa Inggris atau Prancis.

## Pertanyaan umum

### Bisakah LLM melakukan analisis sentimen bahasa Arab?

Bisa, tanpa pelatihan, cukup dengan prompt berisi label dan contoh. Kualitasnya berbeda per dialek dan per kelas: dalam uji yang dipublikasikan, model tertinggal dari model bahasa Arab hasil fine-tuning di banyak tugas, dan skor dialek lebih rendah daripada bahasa Arab Standar Modern. Ukur pada data Anda sendiri.

### Apakah LLM lebih baik daripada model BERT bahasa Arab hasil fine-tuning untuk klasifikasi?

Tidak selalu. GPTAraEval menemukan ChatGPT "consistently surpassed by smaller models that have undergone finetuning on Arabic" (Terjemahan BroadRouter: secara konsisten dikalahkan oleh model yang lebih kecil yang telah di-fine-tune dengan bahasa Arab) di 44 tugas. LLM unggul ketika contoh berlabel Anda sedikit, labelnya sering berubah, atau Anda butuh alasan untuk setiap label.

### Bagaimana cara mengklasifikasikan pesan berbahasa Arab Teluk dan Mesir?

Beri model contoh berlabel untuk setiap dialek, beri tahu dialek apa saja yang harus diharapkan, dan nilai setiap dialek secara terpisah. Model yang bagus pada ulasan berbahasa Mesir tetap bisa melewatkan sarkasme Teluk.

### Bagaimana mendapatkan label yang konsisten setiap kali?

Pakai daftar label tetap, minta JSON yang hanya berisi nilai-nilai itu, set temperature ke 0, dan tolak setiap balasan yang tidak ada di daftar. Kirim contoh yang sama dengan urutan yang sama agar hasilnya bisa diulang.

### Berapa banyak pesan yang bisa saya klasifikasikan per hari di BroadNet?

Kunci API bayar sesuai pemakaian mengizinkan 30 permintaan per menit dan 4 sekaligus. Dengan satu pesan per permintaan, itu paling banyak 30 pesan per menit per kunci, atau 1.440 kali itu per hari. Memasukkan 20 pesan pendek di setiap permintaan menaikkannya dua puluh kali lipat, selama masih dalam batas konteks.

### Apakah BroadNet punya batch API untuk klasifikasi massal?

Tidak. BroadNet hanya mendokumentasikan chat completions dan transkripsi. Untuk pekerjaan offline besar, kelompokkan pesan per permintaan, atau bandingkan dengan penyedia yang punya batch API; Batch API OpenAI menawarkan diskon 50% dengan jendela 24 jam.

## Baca juga

-   [Bahasa Arab Teluk, Mesir, dan Syam: cara LLM menangani dialek](https://broadrouter.com/id/blog/arabic-llm-gulf-egyptian-dialects/)
-   [Arabizi dan LLM: menangani Franco-Arab dengan angka seperti 3 dan 7](https://broadrouter.com/id/blog/arabizi-llm-handling/)
-   [JSON mode vs json\_schema: output terstruktur yang andal](https://broadrouter.com/id/blog/structured-output-json-schema/)
-   [Prompt engineering bahasa Arab: register, RTL, angka, teks campuran](https://broadrouter.com/id/blog/arabic-prompt-engineering/)
-   [Cara mengevaluasi LLM sebelum berpindah penyedia](https://broadrouter.com/id/blog/evaluate-llm-before-switching/)
-   [Cara menyusun prompt agar prefiksnya ter-cache](https://broadrouter.com/id/blog/prompt-structure-for-caching/)
-   [Ekstraksi entitas bernama bahasa Arab dengan LLM: JSON, tanggal, cek](https://broadrouter.com/id/blog/arabic-named-entity-extraction-llm/)
-   [Batch processing LLM tanpa Batch API: runner yang bisa dilanjutkan](https://broadrouter.com/id/blog/llm-batch-processing-without-batch-api/)
-   [Menambahkan harakat ke teks Arab dengan LLM: prompt, cek, DER](https://broadrouter.com/id/blog/arabic-diacritization-llm/)
-   [Koreksi tata bahasa dan ejaan Arab dengan LLM: panduan praktis](https://broadrouter.com/id/blog/arabic-grammar-spelling-correction-llm/)
-   [Panduan: Kenapa model reasoning mengembalikan jawaban kosong](https://broadrouter.com/id/guides/reasoning-tokens-empty-response/)
-   [Panduan: Kode error BroadNet Inference dan kapan harus mencoba ulang](https://broadrouter.com/id/guides/errors-and-retries/)

Coba dengan beban kerja Anda yang sebenarnya. Akun baru mendapat kredit US$5 untuk Gemma dan transkripsi. DeepSeek, GLM, dan Qwen3.8 memerlukan top up.

[Mulai](https://inference.broadnet.ai/account/?utm_source=broadrouter&utm_medium=referral&utm_campaign=id-blog-arabic-text-classification-llm&utm_content=page-cta) ·

**Sumber**

-   [Referensi API BroadNet Inference: model, output terstruktur, reasoning\_effort, batas bayar sesuai pemakaian, batas kunci per jam (dicek 2026-11-15) (bahasa Inggris)](https://inference.broadnet.ai/docs?utm_source=broadrouter&utm_medium=referral&utm_campaign=id-blog-arabic-text-classification-llm&utm_content=sources)
-   [Halaman harga BroadNet Inference: catatan "Tested in Arabic" untuk Qwen3.8 27B dan harga per token (dicek 2026-11-15) (bahasa Inggris)](https://inference.broadnet.ai/pricing?utm_source=broadrouter&utm_medium=referral&utm_campaign=id-blog-arabic-text-classification-llm&utm_content=sources)
-   [Alharbi dkk., Evaluating Large Language Models on Sentiment Analysis in Arabic Dialects, RANLP 2025 (dicek 2026-11-15)](https://aclanthology.org/2025.ranlp-1.8/)
-   [Khondaker dkk., GPTAraEval: A Comprehensive Evaluation of ChatGPT on Arabic NLP (arXiv 2305.14976; dicek 2026-11-15)](https://arxiv.org/abs/2305.14976)
-   [Panduan OpenAI Batch API: diskon 50%, jendela 24 jam (dicek 2026-11-15)](https://developers.openai.com/api/docs/guides/batch)
