Deteksi Emosi Teks X Berbahasa Indonesia Menggunakan Bi-LSTM dengan Seleksi Fitur Chi-Square

Abstrak

Emosi merupakan indikator penting dalam memahami respons masyarakat di media sosial, khususnya X, yang menjadi sarana utama ekspresi publik. Penelitian ini bertujuan untuk membangun model klasifikasi emosi pengguna X berbahasa Indonesia menggunakan pendekatan Bidirectional Long Short-Term Memory (Bi-LSTM) yang dikombinasikan dengan teknik seleksi fitur berbasis data mining. Dataset berjumlah ±6.000 tweet dikumpulkan melalui scraping X berdasarkan kata kunci dan tagar yang mewakili enam emosi utama: marah, sedih, takut, senang, cinta, dan terkejut, pada rentang waktu Januari 2024 hingga Maret 2025. Data yang diperoleh diproses melalui tahapan normalisasi teks, penghapusan stop word, dan tokenisasi. Fitur diekstraksi menggunakan TF-IDF dan diseleksi menggunakan metode Chi-Square untuk meningkatkan performa klasifikasi. Tweet diberi label emosi secara manual dan semi-otomatis. Model Bi-LSTM dilatih dan diuji menggunakan metrik akurasi, presisi, recall, dan F1-score. Hasil pengujian awal menunjukkan akurasi sebesar 86,3%, dengan performa terbaik pada emosi "senang" dan "marah". Penelitian ini menunjukan bahwa integrasi deep learning dan data mining dapat meningkatkan akurasi deteksi emosi otomatis pada teks berbahasa Indonesia. Kontribusi utama penelitian ini adalah integrasi seleksi fitur Chi-Square dengan Bi-LSTM untuk teks Bahasa Indonesia, yang belum banyak dieksplorasi sebelumnya

Identifier

• OpenAlex: https://openalex.org/W4417149249
• DOI: https://doi.org/10.33364/algoritma/v.22-2.2658