<![CDATA[Saat ini, interaksi melalui platform teks marak dilakukan seperti media sosial, layanan pelanggan daring, dan forum diskusi. Oleh karena itu analisis Text Emotion Recognition (TER) menjadi sangat krusial. Namun, emosi dalam teks bersifat kompleks, kontekstual, dan sering kali bersifat implisit, sehingga tidak dapat dengan mudah diidentifikasi menggunakan pendekatan konvensional. TER merupakan proses identifikasi dan klasifikasi emosi dalam teks secara otomatis menggunakan teknik machine learning. Penelitian ini bertujuan untuk merancang model pengklasifikasian emosi berbasis teks menggunakan berbagai algoritma classification machine learning. Data teks dikategorikan ke dalam enam emosi utama: sadness, joy, love, anger, fear, dan surprise. Tahapan preprocessing meliputi tokenisasi, stop word removal, dan lemmatization, sedangkan fitur teks direpresentasikan dalam bentuk numerik menggunakan Term Frequency-Inverse Document Frequency (TF-IDF). Lima algoritma machine learning, yaitu Support Vector Machine (SVM), K-Nearest Neighbor (KNN), Random Forest, Logistic Regression, dan Multinomial Naïve Bayes, digunakan dalam pelatihan dan evaluasi model. Hasil penelitian menunjukkan bahwa model SVM dan Random Forest memberikan performa terbaik dengan akurasi mencapai 85% pada data uji. Dengan demikian, pendekatan machine learning, khususnya SVM dan Random Forest, terbukti efektif dalam klasifikasi teks emosi dan dapat diterapkan dalam berbagai aplikasi analisis sentimen. Model TER hasil eksperimental akan dilanjutkan untuk diimplementasikan pada aplikasi penanganan psikologis korban kekerasan berbasis gender (KBG) yang telah dibangun pada penelitian sebelumnya.]]>
