Deteksi Emosi Berbasis Teks Untuk Menganalisis Kuliah Daring Selama Masa Pandemi Menggunakan Algoritme Support Vector Machine
DOI:
https://doi.org/10.34818/eoe.v9i4.18250Abstract
Abstrak—Pandemi Covid-19 di Indonesia semakin menyebar luas, banyak mahasiswa yang terpaksa harus melakukan aktivitas belajar melalui daring, kuliah daring ini memiliki berbagai macam efek pada mahasiswa, ada yang senang, sedih, takut, cinta, dan amarah, hal ini menyebabkan mahasiswa sering menunjukan emosinya melalui media sosial salah satunya Twitter. Pada Tugas Akhir ini digunakan algoritma Support Vector Machine sebagai metode klasifikasi teks berbahasa Indonesia. Berdasarkan penelitian yang dilakukan oleh Shaver, terdapat lima kategori emosi dasar bahasa Indonesia yaitu marah, senang, sedih, takut, dan cinta. Pembagian data dibagi menjadi data tiga label emosi marah, senang, dan cinta, dan 4 label emosi marah, senang, takut, cinta. Data yang digunakan diambil dari scraping data twitter dan data Github. Hasil penelitian Tugas Akhir ini, menunjukan bahwa sistem algoritma Support Vector Machine sebagai pendeteksi emosi berbasis teks yang berkaitan dengan kuliah online, mendapatkan hasil terbaik pada pengujian tiga emosi mendapatkan hasil akurasi sebesar 81.81% pada partisi data 0.3. Sementara dengan empat emosi mendapatkan akurasi sebesar 71.86% pada partisi data 0.2. Sementara pada lima emosi mendapatkan akurasi sebesar 60.62% pada partisi data 0.3. Kata kunci—deteksi emosi, kuliah online, support vector machine, twitterReferences
[1] R. N. Velarosdela, “Kilas Balik Kronologi Munculnya Kasus Pertama Covid-19 di Indonesia,” 2 Maret 2021. [Online]. Available: https://megapolitan.kompas.com/read/2021/03/02/05300081/kilas-balik-kronologi-munculnya-kasus-pertama-covid-19-di-indonesia?page=all.
[2] V. B. Kusnandar, “Pengguna Internet Indonesia Peringkat ke-3 Terbanyak di Asia,” 14 10 2021. [Online]. Available: https://databoks.katadata.co.id/datapublish/2021/10/14/pengguna-internet-indonesia-peringkat-ke-3-terbanyak-di-asia.
[3] Goleman, Daniel, H. A. Said, Becker dan Bieswanger, Kecerdasan Emosional Untuk Mencapai Puncak Prestasi, Jakarta: PT. Gramedia Pustaka Utama, 2001.
[4] H. Krishnan, M. S. Elayidom dan T. Santhanakrishnan, “Emotion Detection of Tweets using Naïve Bayes Classifier,” International Journal of Engineering Technology Science and Research, pp. 457-462, 2017.
[5] P. T. Febrianto, S. Mas'udah dan L. A. Megasari, “Implementation Of Online Learning During The Covid-19 Pandemic On Madura Island, Indonesia,” International Journal of Learning, Teaching and Educational Research, vol. 19, pp. 233-254, 2020.
[6] D. Glez-Pena, A. Lourenco, H. Lopez-Fernandez, M. Reboiro-Jato dan F. Fdez-Riverola, “Web scraping technologies in an API world,” Briefings In Bioinformatics, pp. 1-10, 2013.
[7] R. Mitchell, Web Scraping with Python : Collecting Data from the Modern Web, United States of America: O’Reilly Media, 2015.
[8] “Twitter,” 10 Januari 2013. [Online]. Available: https://www.techopedia.com/definition/4957/twitter. [Diakses 22 Maret 2022].
[9] C. Beaumont, “The Telegraph,” 23 Februari 2010. [Online]. Available: https://www.telegraph.co.uk/technology/twitter/7297541/Twitter-users-send-50-million-tweets-per-day.html.
[10] A. Brown, “The Tricky Business Of Business Tweeting,” 2 Maret 2011. [Online]. Available: https://www.irishtimes.com/life-and-style/people/the-tricky-business-of-business-tweeting-1.561138.
[11] “Developer Platform Twitter,” [Online]. Available: https://developer.twitter.com/en/docs/twitter-api/getting-started/about-twitter-api#What's.
[12] P. Ekman, “Basic emotions. In T. Dalgleish & M. J. Power (Eds.),” Handbook of Cognition and Emotion, pp. 45-60, 1999.
[13] R. Plutchik dan H. Kellerman, A General Psycho Evolutionary Theory of Emotion, Amsterdam: Elsevier, 1980.
[14] P. R. S. a. U. Murdaya dan R. C. Fraley, “Structure Of The Indonesian Emotion Lexicon,” Asian Journal of Social Psychology, pp. 201-224, 2001.
[15] C. D. Manning, P. Raghavan dan H. Schütze, An Introduction To Information Retrieval, Cambridge: Cambridge University Press, 2009.
[16] F. S. Jumeilah, “Penerapan Support Vector Machine (SVM) untuk Pengkategorian Penelitian,” Jurnal RESTI (Rekayasa Sistem dan Teknologi Informasi), pp. 19-25, 2017.
[17] H. Benbrahim dan M. Bramer, “Text and Hypertext Categorization,” IFIP International Federation for Information Processing, pp. 11-38, 2009.
[18] T. Septiana, “Slang Word Bahasa Inggris Ini Bisa Bikin Percakapan Makin Gaul dan Kekinian Lo,” Lifestyle, 24 Agustus 2021. [Online]. Available: https://lifestyle.kontan.co.id/news/slang-word-bahasa-inggris-ini-bisa-bikin-percakapan-makin-gaul-dan-kekinian-lo?page=all#:~:text=Slang%20words%20merupakan%20bahasa%20gaul,percakapan%20atau%20tulisan%20non%2Dformal. [Diakses 2022 Maret 23].
[19] N. A. Salsabila, Y. A. Winatmoko, A. A. Septiandri dan A. Jamal, “Colloquial Indonesian Lexicon,” International Conference on Asian Language Processing (IALP), pp. 226-229, 2018.
[20] N. K. Widyasanti, I. K. G. D. Putra dan N. K. D. Rusjayanthi, “Seleksi Fitur Bobot Kata dengan Metode TFIDF untuk Ringkasan Bahasa Indonesia,” Merpati, pp. 119-126, 2018.
[21] V. Shah, “Hands-on implementation of TF-IDF from scratch in Python,” Analytics India Magazine, 29 Desember 2020. [Online]. Available: https://analyticsindiamag.com/hands-on-implementation-of-tf-idf-from-scratch-in-python/#:~:text=TF%2DIDF%20is%20a%20method,IDF%20is%20Inverse%20document%20frequency. [Diakses 1 Juni 2022].
[22] M. N. Randhika, J. C. Young, A. Suryadibrata dan H. Mandala, “Implementasi Algoritma Complement dan Multinomial Naïve Bayes Classifier Pada Klasifikasi Kategori Berita Media Online,” Ultimatics : Jurnal Teknik Informatika, pp. 19-25, 2021.
[23] J. D. M. Rennie, L. Shih, J. Teevan dan D. R. Karger, “Tackling the Poor Assumptions of Naive Bayes Text Classifiers,” dalam Proceedings of the Twentieth International Conference on Machine Learning (ICML-2003), Washington DC, 2003.
[24] E. Gokgoz dan A. Subasi, “Comparison of Decision Tree Algorithms for EMG Signal Classification Using DWT,” Biomedical Signal Processing and Control, vol. 18, pp. 138-144, 2015.
[25] J. Han, M. Kamber dan J. Pei, Data Mining Concepts and Techniques, United States of America: Elsevier Inc., 2011.
[26] M. Azhari, Z. Situmorang dan R. Rosnelly, “Perbandingan Akurasi, Recall, dan Presisi Klasifikasi pada Algoritma C4.5, Random Forest, SVM dan Naive Bayes,” Jurnal Media Informatika Budidarma, vol. 5, pp. 640-651, 2021.
[27] C. Goutte dan E. Gaussier, “A Probabilistic Interpretation of Precision, Recall and F-score, with Implication for Evaluation,” Proceedings of the European Colloquium, pp. 345-359, 31 Agustus 2005.
[28] R. A. Saputra, “Sentiment Analysis Online Lectures in Indonesia,” 10 Desember 2020. [Online]. Available: https://github.com/rifkyahmadsaputra/Sentiment-Analysis-Online-Lectures-in-Indonesia. [Diakses 10 Desember 2021].
[29] R. A. Saputra, “Github,” 10 Desember 2020. [Online]. Available: https://github.com/rifkyahmadsaputra/Sentiment-Analysis-Online-Lectures-in-Indonesia/tree/main/data. [Diakses 12 Desember 2021].
[30] R. Feldman dan J. Sanger, The Text Mining Handbook Advanced Approaches In Analyzing Unstructured Data, United States of America: Cambridge University Press, 2007.
