Deteksi Emosi pada Teks Media Sosial Menggunakan Bidirectional LSTM dan Glove Word Embedding

Abstract

Setiap harinya, platform media sosial memproduksi jutaan teks yang memuat beragam ekspresi emosional penggunanya. Kemampuan untuk mengenali emosi secara otomatis memiliki manfaat strategis dalam berbagai bidang, seperti analisis sentimen, pemantauan citra merek, dan pengawasan kesehatan mental. Studi ini mengajukan model deteksi emosi yang dibangun berbasis Bidirectional Long Short-Term Memory (BiLSTM) dan dipadukan dengan Glove Word Embedding berdimensi 100 (dilatih pada 6 miliar token dengan kosakata 400.000 kata dari Common Crawl) guna mengklasifikasikan teks media sosial ke dalam enam kategori emosi: joy, sadness, anger, fear, love, dan surprise. Data yang digunakan berasal dari Emotions Dataset for NLP yang tersedia di Kaggle, mencakup 20.000 sampel teks berbahasa Inggris dengan sebaran kelas yang tidak merata (joy: 5.362, sadness: 4.666, anger: 2.159, fear: 1.937, love: 1.304, surprise: 572 pada data latih). Keunggulan penelitian ini terletak pada kajian komparatif yang terstruktur, yang menunjukkan bahwa kualitas representasi vektor melalui pretrained Glove memberikan dampak lebih besar dibandingkan sekadar peningkatan arsitektur (BiLSTM tanpa pretrained), serta bahwa penggabungan keduanya secara sinergis mampu melampaui model baseline. Model BiLSTM + Glove yang diusulkan mencapai akurasi 89,35%, presisi macro 88,12%, recall macro 87,64%, dan F1-score macro 87,88% pada data uji, melampaui LSTM + Glove (86,10%) dan BiLSTM tanpa pretrained embedding (84,75%). Selisih performa ini diperkuat oleh analisis kurva konvergensi dan confusion matrix yang memperlihatkan keunggulan yang konsisten di seluruh kelas emosi