Penerapan Metode Machine Learning untuk Deteksi Emosi pada Analisis Sentimen Teks Media Sosial
Keywords:
Analisis Sentimen, Deteksi Emosi, Machine Learning, SVM, Decision Tree, Random ForestAbstract
Media sosial telah menjadi sumber data penting untuk memahami opini dan emosi masyarakat terhadap berbagai isu. Analisis sentimen dan deteksi emosi berbasis teks memungkinkan identifikasi ekspresi emosional pengguna secara otomatis menggunakan metode machine learning. Penelitian ini bertujuan membandingkan kinerja tiga algoritma, yaitu Support Vector Machine (SVM), Decision Tree (DT), dan Random Forest (RF), dalam mendeteksi emosi pada teks media sosial berbahasa Indonesia. Proses penelitian meliputi tahapan pra-pemrosesan teks, pembobotan fitur dengan Term Frequency–Inverse Document Frequency (TF-IDF), serta evaluasi model menggunakan metrik akurasi, presisi, recall, dan F1-score. Dataset diperoleh dari platform Kaggle dan dibagi menjadi 75% data latih dan 25% data uji. Hasil penelitian menunjukkan bahwa SVM memberikan performa terbaik dibandingkan DT dan RF. Sebelum optimasi, akurasi SVM sebesar 78%, sedangkan setelah optimasi hyperparameter dengan GridSearchCV, meningkat menjadi 82% dengan precision 0.80, recall 0.78, dan F1-score 0.79. Model DT dan RF masing-masing mencapai akurasi 77% dan 80% setelah optimasi. Dari hasil tersebut dapat disimpulkan bahwa SVM merupakan algoritma paling efektif untuk deteksi emosi teks karena mampu menangani data berdimensi tinggi dengan baik dan memberikan hasil yang stabil.
Downloads
References
S. Safrudin, A. Hidayat, dan F. Ramadhan, “Confusion Matrix untuk Evaluasi Model Klasifikasi pada Machine Learning,” Jurnal Teknologi Informasi dan Komputer (JTIK), vol. 9, no. 2, pp. 55–62, 2024.
A. Hokijuliandy, D. Pramudito, dan I. Wulandari, “Analisis Sentimen Menggunakan Algoritma Support Vector Machine,” Jurnal Ilmiah Informatika, vol. 8, no. 1, pp. 23–30, 2023.
M. Adiyanto, R. F. Ananda, dan Y. H. Putra, “Deteksi Emosi Berbasis Teks untuk Menganalisis Kuliah Daring Selama Masa Pandemi Menggunakan Algoritme Support Vector Machine,” Jurnal Teknologi Informasi dan Komunikasi (JTIKOM), vol. 10, no. 3, pp. 201–210, 2022.
F. Syah dan R. Witanti, “Analisis Sentimen Masyarakat terhadap Vaksinasi Covid-19 pada Media Sosial Twitter Menggunakan Algoritma Support Vector Machine,” Jurnal Sains dan Teknologi Komputer (JSTK), vol. 4, no. 2, pp. 122–131, 2022.
D. Yahya, M. Deswandi, dan A. Lubis, “Analisis Sentimen untuk Deteksi Ujaran Kebencian pada Media Sosial Terkait Pemilu 2024 Menggunakan Metode Support Vector Machine,” Jurnal Teknologi dan Sistem Informasi Indonesia (JTSII), vol. 12, no. 1, pp. 11–20, 2024.
N. Indriani dan H. Nurmalasari, “Penerapan Text Preprocessing pada Analisis Sentimen Twitter Menggunakan Metode TF-IDF,” Jurnal Informatika dan Komputer Indonesia (JIKOM), vol. 7, no. 2, pp. 45–52, 2023.
A. Prasetyo dan T. W. Sari, “Analisis Emosi Pengguna Media Sosial Twitter Menggunakan Metode Machine Learning,” Jurnal Teknologi dan Sistem Informasi, vol. 11, no. 2, pp. 134–141, 2023.
K. Puspitasari dan R. Firmansyah, “Klasifikasi Sentimen Menggunakan Support Vector Machine dengan Pembobotan TF-IDF,” Jurnal Ilmiah Informatika Global (JIIG), vol. 9, no. 1, pp. 17–26, 2022.
F. Rahmawati, M. F. Rachman, dan D. S. Nugroho, “Implementasi Decision Tree dan Random Forest untuk Analisis Sentimen Ulasan Pengguna,” Jurnal Komputer dan Aplikasi, vol. 8, no. 4, pp. 210–219, 2023.
D. Kurniawan, “Evaluasi Model Machine Learning Menggunakan Metrik Accuracy, Precision, Recall, dan F1-Score,” Jurnal Teknologi Informasi (JTIN), vol. 6, no. 3, pp. 67–75, 2023.
I. M. Al Fajri, “Perbandingan Kinerja SVM dan Random Forest dalam Klasifikasi Teks,” Jurnal Sistem Cerdas dan Komputasi, vol. 5, no. 2, pp. 56–64, 2022.
S. Wibowo, “Analisis Efektivitas Metode Support Vector Machine untuk Klasifikasi Teks Bahasa Indonesia,” Jurnal Ilmu Komputer Terapan, vol. 7, no. 1, pp. 23–31, 2022.
R. Handayani dan F. Chandra, “Implementasi Ensemble Learning Menggunakan Random Forest untuk Analisis Sentimen,” Jurnal Teknologi dan Informasi (JTI), vol. 10, no. 2, pp. 88–96, 2023.
M. Suryadi dan D. P. Lestari, “Optimasi Hyperparameter Model Machine Learning Menggunakan GridSearchCV,” Jurnal Teknologi dan Sistem Cerdas (JTSC), vol. 9, no. 1, pp. 12–20, 2023.
E. N. Dewi dan L. Putra, “Pengaruh Optimasi Hyperparameter terhadap Akurasi Klasifikasi Menggunakan Support Vector Machine,” Jurnal Informatika Indonesia (JII), vol. 8, no. 2, pp. 34–42, 2024.
N. S. Rahman dan B. Mahendra, “Analisis Model Margin pada Support Vector Machine untuk Data Berdimensi Tinggi,” Jurnal Matematika dan Komputasi, vol. 10, no. 1, pp. 75–84, 2023.
D. P. Ramadhani, “Pengaruh Parameter Max Depth terhadap Overfitting pada Model Decision Tree,” Jurnal Ilmiah Komputer dan Data Sains (JIKODS), vol. 3, no. 2, pp. 102–109, 2023.
F. Hartono dan M. Yuliana, “Kinerja Algoritma Random Forest dalam Mengatasi Overfitting pada Data Teks,” Jurnal Teknologi dan Analitika Data, vol. 5, no. 2, pp. 81–89, 2023.
A. Wibisono dan H. Ramli, “Analisis Perbandingan Precision dan Recall pada Algoritma Klasifikasi Teks,” Jurnal Teknologi dan Sains Komputer (JTSC), vol. 6, no. 3, pp. 59–68, 2022.
T. Setiawan dan Y. K. Nugraha, “Pengaruh Hyperparameter terhadap Kinerja Random Forest untuk Data Klasifikasi,” Jurnal Sains Komputer dan Sistem Informasi, vol. 9, no. 1, pp. 44–51, 2024.
H. S. Widodo, “Analisis Ensemble Learning untuk Peningkatan Generalisasi Model Klasifikasi,” Jurnal Sistem Informasi dan Kecerdasan Buatan (JSIKA), vol. 8, no. 2, pp. 101–110, 2023.
