Eksplorasi Metode Deteksi Emosi Pada Teks dari Twitter, Komentar Blog, dan Dialog Film

Abstract

Komunikasi digital yang dominan berbasis teks seringkali kehilangan isyarat emosi nonverbal, sehingga menimbulkan kebutuhan untuk deteksi emosi secara otomatis. Namun, performa metode deteksi emosi sangat bervariasi tergantung pada karakteristik teks yang beragam, seperti tweet yang singkat dan informal, komentar yang naratif, dan dialog yang kontekstual. Penelitian ini bertujuan untuk mengeksplorasi kinerja pendekatan machine learning dan deep learning dalam menghadapi tiga jenis teks tersebut. Metodologi penelitian ini mencakup penggunaan tujuh model, yaitu Naïve Bayes, SVM, dan Random Forest sebagai perwakilan machine learning, serta BiLSTM, BERT, RoBERTa, dan DistilBERT sebagai perwakilan deep learning. Kelima dataset publik berbahasa Inggris yang digunakan dikelompokkan berdasarkan karakteristiknya (tiga dataset tweet, satu dataset komentar, dan satu dataset dialog). Proses eksperimen meliputi preprocessing data, pembagian data, ekstraksi fitur, pelatihan model, serta evaluasi yang didukung oleh confusion matrix dan waktu inferensi. Eksperimen tambahan juga dilakukan untuk mengukur dampak preprocessing terhadap kinerja model. Temuan utama dari penelitian ini menunjukkan bahwa tidak ada satu pendekatan pun yang unggul di semua kondisi. Pendekatan deep learning berbasis Transformer secara konsisten mencapai akurasi tertinggi pada teks tweet dan komentar, dengan F1-score puncak mencapai 0,96. Namun, pada teks dialog, seluruh model baik machine learning maupun deep learning menunjukkan penurunan performa yang drastis (F1-score tertinggi hanya 0,29), membuktikan kegagalan dalam menangkap konteks percakapan. Lebih lanjut, penelitian ini mengonfirmasi adanya trade-off yang jelas, yaitu model deep learning unggul dalam akurasi, sementara model machine learning unggul dalam efisiensi waktu inferensi. Temuan menarik lainnya adalah pengaruh preprocessing yang berlawanan, proses ini terbukti penting untuk model machine learning, namun justru dapat menurunkan performa model deep learning pada data dialog yang kaya akan konteks (F1-score RoBERTa naik dari 0,27 menjadi 0,45 tanpa preprocessing). Kesimpulannya, pemilihan metode deteksi emosi yang optimal sangat bergantung pada karakteristik data dan prioritas antara akurasi dan efisiensi komputasi.