<![CDATA[Perkembangan teknologi komunikasi digital yang pesat, khususnya di platform media sosial seperti X telah mengubah cara manusia berinteraksi. Komunikasi melalui teks sering kali menyulitkan dalam menginterprestasikan emosi seseorang karena tidak adanya petunjuk non-verbal seperti ekspresi wajah atau nada suara. Klasifikasi emosi dari teks menjadi penting agar pembaca dapat memahami perasaan pengirim secara lebih tepat dan merespons dengan empati. Penelitian ini bertujuan untuk mengklasifikasikan emosi dari teks menggunakan Long Short-Term Memory (LSTM) dengan embedding GloVe, serta menerapkan Synthetic Minority Over-sampling (SMOTE) untuk mengatasi ketidakseimbangan data. Data diambil dari platform X yang berisi berbagai emosi dan model dilatih untuk mengklasifikasikan lima jenis emosi: anger, happiness, sadness, fear, dan love. Hasil evaluasi menunjukkan bahwa penerapan SMOTE berhasil meningkatkan performa model, dengan akurasi mencapai 48% dan peningkatan pada precision, recall, serta f1-score dibandingkan penelitian sebelumnya [5] yang tidak menggunakan SMOTE. Peningkatan ini menunjukkan bahwa teknik SMOTE efektif dalam mengatasi masalah ketidakseimbangan data, serta penggunaan LSTM dengan embedding GloVe memberikan hasil klasifikasi emosi yang lebih akurat.]]>
Copyrights © 2025
