<![CDATA[Klasifikasi emosi dalam teks merupakan salah satu cabang penting dalam bidang Natural Language Processing (NLP). Hal ini menjadi semakin relevan karena dalam satu pernyataan atau kalimat dapat mengandung lebih dari satu jenis emosi secara bersamaan. Penelitian ini melakukan klasifikasi emosi multi-label pada teks berbahasa Inggris dengan menggunakan metode Naïve Bayes dengan fitur Term Frequency untuk lima label emosi, yaitu anger, fear, joy, sadness, dan surprise. Evaluasi kinerja model dilakukan menggunakan metrik macro precision, recall, dan F1-score guna menilai kinerja setiap label emosi secara independen. Pengujian dilakukan dengan variasi nilai parameter Laplace smoothing untuk memperoleh konfigurasi yang memberikan hasil paling stabil. Hasil pengujian menunjukkan bahwa konfigurasi terbaik diperoleh pada nilai alpha sebesar 0,1 dan penerapan stopwords yang dimodifikasi dengan tidak menghapus kata not, no, dan never mendapatkan nilai rata-rata macro F1-score sebesar 0,49. Kinerja klasifikasi menunjukkan variasi antar label emosi. Emosi fear menghasilkan nilai F1-score tertinggi sebesar 0,72, yang menunjukkan pola linguistik yang relatif lebih mudah dikenali. Emosi sadness memperoleh nilai F1-score sebesar 0,50, diikuti oleh surprise dengan nilai 0,49 dan joy sebesar 0,42. Sebaliknya, emosi anger menunjukkan nilai F1-score terendah sebesar 0,29, yang mengindikasikan tingkat kesulitan lebih tinggi dalam proses identifikasi, terutama akibat keterbatasan jumlah data dan kemiripan semantik dengan emosi lain. ]]>
Copyrights © 2026
