Deteksi Kondisi Emosi pada Media Sosial Menggunakan Pendekatan Leksikon dan Natural Language Processing
Article Sidebar
Main Article Content
Abstract
Emosi memenuhi kehidupan manusia setiap waktu. Emosi mempengaruhi hubungan sosial, ingatan dan bahkan dalam pengambilan keputusan. Saat ini, orang cenderung mengekspresikan emosi melalui media sosial seperti Facebook dalam bentuk gambar, video dan teks pada umumnya. Deteksi emosi pada teks merupakan bidang penelitian yang baru dan banyak diteliti khususnya dibidang linguistik. Penelitian ini menggunakan EmoLex sebagai leksikon yang digunakan untuk mendeteksi emosi pada suatu teks. Kosa kata pada EmoLex diperluas dengan pencarian sinonim menggunakan Kateglo API. EmoLex digunakan sebagai leksikon 8 kategori emosi Plutchik dan sentimen. EmoLex tersedia dalam 105 bahasa berbeda termasuk Indonesia yang mana mengandung 14.182 kata yang kemudian diperluas dengan pencarian sinonim menggunakan Kateglo API. Pencarian sinonim menghasilkan 20.690 kata sehingga memperoleh hasil akhir leksikon emosi yang berisi 34.872 kata. Pengujian menunjukkan bahwa leksikon emosi mampu mendeteksi 55.45% atau 15.357 dari 27.696 kata yang diperoleh dari update status pengguna Facebook dalam melakukan pendeteksian emosi, sebanyak 100 update status diambil dari Facebook. Selanjutnya update status tersebut diperbaiki menggunakan Natural Language Processing (NLP). Hasil perbaikannya dinilai dengan leksikon emosi yang telah dibuat sebelumnya. 26 dari 100 update status dapat diketahui label emosinya. Hasil validasi terdapat 16 update status atau 61,53% label emosinya akurat.
Downloads
Article Details
This work is licensed under a Creative Commons Attribution-ShareAlike 4.0 International License.
Jurnal Eksplora Informatika bersifat open access, yaitu dapat diakses secara umum tanpa dikenakan biaya. Penulis yang menerbitkan artikelnya di Jurnal Eksplora Informatika setuju dengan ketentuan berikut:
- Penulis memegang hak cipta dan memberikan hak publikasi pertama kepada Jurnal Eksplora Informatika menggunakan lisensi Creative Commons Attribution-ShareAlike 4.0.
- Penulis diizinkan untuk mengarsipkan/menggunggah/meyimpan artikel mereka, misalnya dalam repositori institusional atau situs web/blog penulis, namun diharapkan agar memberikan rincian bibliografi yang menghargai publikasi di jurnal ini.
- Jurnal Eksplora Informatika berhak untuk menyediakan artikel dalam berbagai bentuk dan media, sehingga artikel dapat digunakan untuk teknologi terbaru bahkan setelah dipublikasikan.
- Jurnal Eksplora Informatika berhak untuk menegakkan hak-hak atas nama penulis pada artikel terhadap pihak ketiga. Misalnya dalam kasus plagiarisme atau pelanggaran hak cipta.
References
S. Grover and A. Verma, “Design for emotion detection of punjabi text using hybrid approach,†in Proceedings of the International Conference on Inventive Computation Technologies, ICICT 2016, 2017, vol. 2. [link]
M. P. Skenduli, M. Biba, C. Loglisci, M. Ceci, and D. Malerba, “User-Emotion Detection Through Sentence-Based Classification Using Deep Learning: A Case-Study with Microblogs in Albanian Marjana,†Lecture Notes in Computer Science (including subseries Lecture Notes in Artificial Intelligence and Lecture Notes in Bioinformatics), vol. 11177 LNAI, Springer International Publishing, pp. v–vi, 2018. [link]
E. Hamdi, A Convolutional Neural Network Model for Emotion Detection from Tweets. Springer International Publishing, 2019. [link]
S. X. Mashal and K. Asnani, “Emotion intensity detection for social media data,†Proc. Int. Conf. Comput. Methodol. Commun. ICCMC 2017, vol. 2018-Janua, no. Iccmc, pp. 155–158, 2018. [link]
M. Abdullah, M. Hadzikadicy, and S. Shaikhz, “SEDAT: Sentiment and Emotion Detection in Arabic Text Using CNN-LSTM Deep Learning,†in Proceedings - 17th IEEE International Conference on Machine Learning and Applications, ICMLA 2018, 2019, pp. 835–840. [link]
M. Deshpande and V. Rao, “Depression detection using emotion artificial intelligence,†Proc. Int. Conf. Intell. Sustain. Syst. ICISS 2017, no. Iciss, pp. 858–862, 2018. [link]
I. Oyong, E. Utami, and E. T. Luthfi, “Natural language processing and lexical approach for depression symptoms screening of Indonesian twitter user,†Proc. 2018 10th Int. Conf. Inf. Technol. Electr. Eng. Smart Technol. Better Soc. ICITEE 2018, pp. 359–364, 2018. [link]
S. Al-Saaqa, H. Abdel-Nabi, and A. Awajan, “A Survey of Textual Emotion Detection,†in 2018 8th International Conference on Computer Science and Information Technology, CSIT 2018, 2018, pp. 136–142. [link]
Muljono, A. S. Winarsih, and C. Supriyanto, “Evaluation of classification methods for Indonesian text emotion detection,†Proc. - 2016 Int. Semin. Appl. Technol. Inf. Commun. ISEMANTIC 2016, pp. 130–133, 2016. [link]
T. Moers, F. Krebs, and G. S. B, SEMTec: Social Emotion Mining Techniques for Analysis and Prediction of Facebook Post Reactions, vol. 449. Springer International Publishing, 2018. [link]
