<![CDATA[Informasi Tekstual menjadi salah satu cara untuk deteksi emosi. Namun, ekstraksi emosi menjadi tantangan tersendiri dikarenakan makna implisit dan eksplisit yang terkandung dalam teks. Pendekatan Ekstraksi makna emosi berbasis teks sudah banyak dilakukan dengan model deep learning. Meski begitu, performa komputasi dan akurasi model sering kali kontradiktif dikarenakan model yang kompleks. Oleh karena itu, dilakukan eksperimental model deep learning menggunakan BERT Model Language untuk deteksi emosi. Tujuan penelitian ini yaitu menghasilkan model deteksi emosi yang optimal dan akurat yang dapat memberikan performa komputasi yang rendah. Metode yang digunakan pada penelitian ini yaitu data collection, data pre-processing, arsitektur BERT, BERT Model Comparison, dan Model Evaluation. Model deteksi emosi terbaik ditemukan pada model DistilBERT dengan akurasi 0.9425 dan nilai F1 0.942. Berdasarkan evaluasi proses pembelajaran model DistilBERT, terdapat loss trend menurun sehingga model semakin mampu untuk melakukan prediksi emosi yang baik terhadap unseen data. Model deteksi emosi yang diusulkan, menghasilkan performa lebih unggul dibandingkan dengan model deteksi emosi menggunakan deep learning pada penelitian sebelumnya dimana model ini dapat meminimalisir kompleksitas model deteksi emosi, mengurangi komputasi namun tetap memberikan performa yang optimal.]]>
Copyrights © 2025
