<![CDATA[Media sosial seperti aplikasi X memungkinkan pengguna menyampaikan opini terhadap isu-isu publik, termasuk Program Merdeka Belajar Kampus Merdeka (MBKM). Komentar tersebut sering kali mengandung emosi yang beragam. Namun, komentar di media sosial cenderung tidak terstruktur dan mengandung frasa yang tidak baku, sehingga penting dilakukan klasifikasi emosi untuk memahami respons masyarakat secara lebih mendalam. Oleh karena itu, dibutuhkan teknik yang tepat dalam menganalisis emosi tersebut. Pada penelitian ini digunakan dua teknik pembobotan, yaitu TF-IDF dan TF-RF, dengan menggunakan metode Neighbor Weighted K-Nearest Neighbor (NW-KNN) untuk mengklasifikasikan emosi dalam komentar terkait MBKM. Kedua pembobotan ini dibandingkan untuk mengetahui teknik mana yang menghasilkan performa klasifikasi yang lebih optimal. Emosi dilabeli secara manual dan menggunakan NRC Emotion Lexicon (Emolex). Label yang akan digunakan berjumlah 8 label yaitu sedih, marah, bahagia, takut, antisipasi, terkejut, percaya dan jijik. Hasil pelabelan menunjukkan bahwa pendekatan berbasis leksikon memiliki keterbatasan dalam memahami makna emosi yang sebenarnya karena perbedaan makna dari terjemahan bahasa Inggris ke bahasa Indonesia. Evaluasi dilakukan menggunakan confusion matrix yang mencakup accuracy, precision, recall dan F1-score, dengan tiga skenario pembagian data serta variasi parameter K dan E. Hasil percobaan menunjukkan bahwa kombinasi K = 35 dan E = 4 dengan pembagian data 90:10 memberikan kinerja yang lebih optimal. TF-IDF menunjukkan keunggulan dalam accuracy 75%, recall 75%, dan F1-score 74,43%, sementara TF-RF memiliki precision lebih tinggi sebesar 78,36%. TF-IDF lebih baik dalam mengenali emosi takut, sedangkan TF-RF lebih baik dalam mengenali emosi terkejut. Penelitian ini menunjukkan bahwa pemilihan teknik pembobotan dapat mempengaruhi performa dari hasil klasifikasi emosi pada komentar terkait MBKM.]]>
Copyrights © 2025
