Klasifikasi Tingkat Emosi pada Data berbasis Teks menggunakan Multiclass Support Vector Machine

Ni Luh Made Beathris Anjasari; Fitra Abdurrachman Bachtiar; Budi Darma Setiawan

Klasifikasi Tingkat Emosi pada Data berbasis Teks menggunakan Multiclass Support Vector Machine

Penulis

Ni Luh Made Beathris Anjasari Fakultas Ilmu Komputer, Universitas Brawijaya
Fitra Abdurrachman Bachtiar Fakultas Ilmu Komputer, Universitas Brawijaya
Budi Darma Setiawan Fakultas Ilmu Komputer, Universitas Brawijaya

Kata Kunci:

Emosi, Klasifikasi, Support Vector Machine (SVM), Multiclass, TF-IDF-ICF

Abstrak

Dampak emosi yang sangat kuat memiliki potensi untuk mempengaruhi fungsi intelektual, keseimbangan hormonal, dan kesehatan mental individu. Studi sebelumnya menunjukkan bahwa gangguan emosional dapat berkontribusi terhadap kondisi seperti depresi dan perilaku yang tidak normal. Depresi, sebagai gangguan kejiwaan yang serius, menyebabkan risiko yang tinggi, termasuk hilangnya minat hidup dan bahkan kecenderungan untuk melakukan tindakan bunuh diri. Oleh karena itu, penting untuk mendeteksi dan mengidentifikasi faktor-faktor pemicu depresi atau stres dengan tujuan memberikan pengobatan yang tepat sesuai dengan pemahaman kondisi emosi seseorang. Penelitian ini bertujuan untuk mengklasifikasikan emosi dengan memanfaatkan metode klasifikasi Support Vector Machine (SVM) guna mengidentifikasi tujuh kelas emosi dalam bahasa Inggris. Sumber data yang digunakan dalam studi ini berasal dari sumber sekunder, yakni kumpulan data International Survey on Emotion Antecedents and Reactions (ISEAR), yang terdiri dari total 7666 entri data. Sebelum langkah klasifikasi dimulai, data melalui proses pra-pemrosesan, termasuk langkah pembobotan kata menggunakan teknik Term Frequency-Inverse Document Frequency-Inverse Category Frequency (TF-IDF-ICF). Tujuan dari penelitian ini melibatkan beberapa aspek, diantaranya adalah untuk menginvestigasi pengaruh dari penerapan pembobotan TF-IDF-ICF terhadap hasil klasifikasi SVM, menentukan hyperparameter yang paling optimal untuk SVM, dan menganalisis hasil klasifikasi yang dihasilkan melalui pendekatan SVM. Dalam penelitian ini, digunakan pendekatan One Versus All (OVA) dengan menerapkan metode sequential training dan perhitungan kernel berbasis Radial Basis Function (RBF). Berdasarkan hasil penelitian yang diperoleh, dapat disimpulkan bahwa pendekatan SVM dengan penerapan pembobotan kata TF-IDF-ICF dan penggunaan hyperparameter spesifik, yaitu λ=0,5, γ=0,0001, ε=0,00001, dan C=20, mampu memberikan performa terbaik dengan mencapai rata-rata akurasi sebesar 0,59, rata-rata presisi sebesar 0,59, rata-rata recall sebesar 0,62, dan rata-rata nilai f-measure sebesar 0,59.

Referensi

Aljwari, F. (2022) ‘Emotion Detection in Arabic Text Using Machine Learning Methods’, IJISCS (International Journal of Information System and Computer Science), 6(3), pp. 175–185. doi: 10.56327/ijiscs.v6i3.1322.

Boser, B. E., Guyon, I. M. and Vapnik, V. N. (1992) ‘Training algorithm for optimal margin classifiers’, Proceedings of the Fifth Annual ACM Workshop on Computational Learning Theory, pp. 144–152. doi: 10.1145/130385.130401.

Gross, J. J. and Jazaieri, H. (2014) ‘Emotion, emotion regulation, and psychopathology: an affective science perspective’, Clinical Psychological Science, 2(4), pp. 387–401. doi: 10.1177/2167702614536164.

Joshi, M. L. and Kanoongo, N. (2022) ‘Depression detection using emotional artificial intelligence and machine learning: A closer review’, Materials Today: Proceedings, 58, pp. 217–226. doi: 10.1016/j.matpr.2022.01.467.

Nadhiroh, Y. F. (2015) ‘PENGENDALIAN EMOSI (Kajian Religio-Psikologis tentang Psikologi Manusia)’, 2(1), pp. 53–63.

Research Material - Swiss Center For Affective Sciences - UNIGE (no date). Available at: https://www.unige.ch/cisa/research/materials-and-online-research/research-material (Accessed: 7 August 2023).

Rosid, M. A., Gunawan and Pramana, E. (2015) ‘Centroid Based Classifier Dengan Fitur Tf-Idf-Icf Untuk Klasifikasi Keluhan Mahasiswa Pada Aplikasi E-Complaint Di Universitas Muhammadiyah Sidoarjo’, 1(1).

Vijayakumar, S. and Wu, S. (1999) ‘Sequential Support Vector Classifiers and Regression’, Proceedings of International Conference on Soft Computing (SOCO ‘99), 619(February), pp. 610–619.

Wang, V. and Carayannis, E. G. (2012) ‘Introduction’, Innovation, Technology and Knowledge Management, 12(2007), pp. 1–15. doi: 10.1007/978-1-4614-1275-5_1.

Zhou, X. and Zhen, R. (2022) ‘How do physical and emotional abuse affect depression and problematic behaviors in adolescents? The roles of emotional regulation and anger’, Child Abuse and Neglect, 129(September 2021), p. 105641. doi: 10.1016/j.chiabu.2022.105641.

Klasifikasi Tingkat Emosi pada Data berbasis Teks menggunakan Multiclass Support Vector Machine