Deteksi Emosi Media Sosial Menggunakan Term Frequency- Inverse Document Frequency

Abstract

<em>Pada saat ini, manusia cenderung mengekspresikan pendapat, dan emosi melalui media sosial. Keterbukaan ekspresi pada media sosial membuat batasan batasan pribadi seseorang menjadi lebur. Orang tidak lagi sungkan menulis kehidupan pribadinya melalui postingan status pembaharuan untuk dilihat oleh orang lain. Penulis mencoba menggunakan data dari media sosial agar dapat dilakukan analisis untuk mendapatan informasi kepribadian termasuk emosi. Sebelum dianalisis, data dilakukan pra pemrosesan membuang symbol dan icon, normalisasi teks, stemming dan membuang stopword terlebih dahulu untuk memperbaiki data dari media sosial yang menggunakan bahasa tidak baku. Pra pemrosesan memperoleh hasil akhir 365 dataset yang dipisah menjadi 265 data latih dan 100 data uji. Tiap data sudah memiliki label emosi yang diberikan secara manual oleh pengguna facebook selaku penulis dari postingan. Perhitungan dilakukan dengan TF IDF untuk mendapatkan bobot tiap kata atau token, lalu label emosi data latih dengan nilai tertinggi diberikan pada data yang diuji. Dari 100 data uji diperoleh akurasi 59%, selebihnya 41% tidak akurat. Emosi dianggap hal penting yang berpengaruh pada seseorang dalam pengambilan keputusan, sehingga deteksi emosi seseorang dapat dimanfaatkan sebagai input sistem pendukung keputusan penerimaan pegawai dan konseling kepribadian.</em>

Emotion Detection in Twitter Social Media Using Long Short-Term Memory (LSTM) and Fast Text

“…The research [24] resulted in a less than maximum accuracy of 55.54% from 34,872 words for lexicon with EmoLex, while NLP produced only 61.53% accuracy. The Term Frequency-Inverse Document Frequency (TF-IDF) only produced 59% accuracy of 6 emotions, but if only one emotion produces a fairly good accuracy of 87.23% [23]. The Support Vector Machine (SVM) and K-Nearest Neighbor methods [1], where SVM produces 45.64% precision, 50.20% recall, and pretty good accuracy of 81.04%, while for KNN it produces less maximum precision, recall, and accuracy, that's 34.21% precision, 45.95% recall.…”