<![CDATA[Media sosial X menjadi ruang penting bagi publik untuk menyampaikan opini, pengalaman, dan respons emosional terhadap isu sosial, politik, ekonomi, dan budaya. Analisis terhadap ekspresi tersebut dapat mendukung social listening dan membantu institusi memahami dinamika komunikasi digital. Penelitian ini menguji tiga ruang ekstraksi fitur untuk mengklasifikasikan emosi pada teks berbahasa Indonesia, yaitu TF-IDF saja, IndoBERT saja, dan gabungan TF-IDF–IndoBERT. Data diberi label menggunakan kamus kata kunci ke dalam enam kategori emosi, yaitu senang, sedih, marah, jijik, takut, dan terkejut. Teks yang tidak memiliki kata kunci emosi ditempatkan pada kelas netral sehingga tugas penelitian terdiri atas tujuh kelas keluaran. Tiga algoritme dibandingkan, yaitu Support Vector Machine, Random Forest, dan Deep Neural Network, menggunakan pembagian 80% data latih dan 20% data uji. Pada fitur TF-IDF saja, Random Forest memperoleh akurasi 91,62%, presisi 77,27%, dan F1-score 73,12%, sedangkan SVM memperoleh akurasi 90,80%. Pada fitur IndoBERT saja, SVM dan Neural Network sama-sama memperoleh akurasi 79,96%, sementara Random Forest memperoleh 67,69%. Pada fitur hibrida, Neural Network memperoleh akurasi tertinggi sebesar 83,84%, diikuti SVM 80,57% dan Random Forest 76,07%. Hasil ini menunjukkan bahwa representasi leksikal sangat sesuai dengan skema pelabelan berbasis kata kunci, sedangkan fitur hibrida memberikan ruang bagi pengujian representasi semantik dan leksikal secara bersamaan. Secara substantif, model dapat digunakan sebagai instrumen awal untuk membaca pola emosi dalam korpus percakapan X, tetapi hasilnya tidak dapat dianggap sebagai representasi langsung emosi seluruh masyarakat.]]>
Copyrights © 2026
