Klasifikasi Emosi Pada Teks Menggunakan Metode Deep Learning
Abstract
Emosi merupakan reaksi dari tubuh manusia ketika mendapatkan reaksi terhadap sesuatu
yang dapat disampaikan secara nonverbal yaitu dengan menunjukan ekspresi wajah ataupun
perilaku. Dalam dunia digital, lebih tepatnya media sosial yang berbasiskan teks, manusia
mengekspresikan emosinya melalui teks dan perlu dilakukan analisa untuk mengetahui emosi
yang disampaikan oleh orang tersebut. Emosi memberikan informasi kepada seseorang untuk
memahami dan mengambil keputusan yang sedang terjadi di lingkungan sekitar. Untuk
mengatasi masalah di atas, perlu dilakukan metode klasifikasi pada kalimat-kalimat opini untuk
mengetahui jenis emosi yang ada dalam teks tersebut, lalu emosi tersebut dikelompokan
menjadi sembilan kelas emosi yaitu marah, takut, sedih, netral, bahagia, tertarik, percaya,
kaget, dan jijik. Metode yang diterapkan pada penelitian ini adalah metode klasifikasi
menggunakan BERT (Bidirectional Encoder Represantions from Tranformers). BERT
dirancang untuk melatih representasi dua arah. Sehingga model BERT pre-train dapat
disesuaikan hanya dengan satu lapisan output tambahan untuk membuat model yang mutakhir.
BERT adalah suatu model yang baru dikembangkan pada tahun 2019, dikarenakan model
tersebut baru, masih perlu dilakukan pengembangan untuk mengoptimalkan kinerja model
BERT. Dataset yang digunakan adalah data dari opini-opini seseorang di Twitter yang
dikumpulkan menjadi satu ke dalam file csv. Dalam penelitian ini hyperparameters yang
digunakan pada kedua model adalah 10 epoch, dan validation 0.1. Khusus untuk model
IndoBERT menggunakan hyperparameters diantaranya learning rate 5e-05, epsilon 1e-08,
decay 0.01, dan clipnorm 1.0. Klasifikasi emosi menggunakan BERT menghasilkan nilai
akurasi sebesar 90% pada BERT Uncased dan menghasilkan akurasi 81% pada model
indoBERT, sehingga model mampu mendekteksi emosi pada teks dengan tepat, parameter
model mampu mendeteksi emosi pada teks dibuktikan pada proses pengujian confussion matrix
dan pengujian model dengan menginputkan kalimat untuk mendeteksi emosinya. Terbukti
model mampu mendeteksi emosi pada teks dengan tepat.
Collections
- Informatics Engineering [2148]