Maulana, Mahardhika (2016) Deteksi Emosi Manusia Pada Tweet Bahasa Indonesia Dengan Klasifikasi Naive Bayes. Undergraduate thesis, Institut Teknologi Sepuluh Nopember.
Preview |
Text
5111100052-Undergraduate Thesis.pdf Download (1MB) | Preview |
Abstract
Emosi manusia memegang peranan penting dalam kehidupan
sehari-hari. Mengenali emosi manusia mampu membantu manusia
dalam proses pengenalan kepribadian, rekomendasi produk, dan
deteksi tingkat kriminalitas pada suatu tempat. Twitter sebagai
salah satu sosial media terbesar memberikan wadah dimana
manusia dapat berinteraksi dan menyampaikan opini kepada
manusia lain dengan cepat. Oleh karena itu, diperlukan deteksi
emosi manusia dari tweet untuk memahami bagaimana emosi
manusia dalam berinteraksi di sosial media.
Pada tugas akhir ini sistem yang diimplementasikan berupa
sistem yang mampu mendeteksi emosi dari pengguna dengan
klasifikasi naive bayes. Data yang diambil dari tweet bahasa
Indonesia dengan tenggang waktu tertentu. Emosi yang digunakan
adalah emosi yang didefinisikan oleh Paul Ekman yaitu emosi
senang, sedih, marah, terkejut, takut dan jijik. Tahap pertama
adalah pemberian label kelas dilakukan berdasarkan penanda
emoticon dan hashtag yang berada di dalam tweet untuk
menghindari pemberian label secara manual pada data yang
sangat besar. Tahap kedua adalah preprocessing untuk
menghapus tweet yang tidak diperlukan seperti tweet duplikat dan
retweet lalu dilakukan stemming untuk mencari akar kata. Tahap
ketiga klasifikasi naive bayes untuk menciptakan model klasifikasi
yang dapat melakukan deteksi emosi pada tweet.
Uji coba pada tugas akhir ini menggunakan data tweet yang
dibagi 80% untuk training dan 20% untuk testing. Uji coba
dilakukan dengan jumlah data yang berbeda dan penanda yang
viii
berbeda. Hasil uji coba sistem bahwa sistem dapat melakukan
deteksi emosi cukup baik pada kelas emosi netral, senang dan
sedih dengan fscore masing-masing 77%, 75% dan 65%.
Sedangkan performa pada kelas marah hanya mencapai 37%.
Pada kelas terkejut dan takut sebesar 27% dan 23% dan pada
kelas jijik, model klasifikasi tidak dapat melakukan deteksi sama
sekali.
===============================================================================================
Human emotion plays an important role in daily life. Human
emotions recognition could help people in personality assesment,
product recommendations, and detection of the crime rate. Twitter
as one of the biggest social media provide a place where people
can interact and express opinions to other humans quickly.
Therefore, it is possible to detect emotion from Twitter to
understand how human emotions role interacting in social media.
In this final project, a system that is able to detect the emotions
of users with Naive Bayes classification is created. Data taken
from Indonesian tweet with a certain grace period. Emotion class
defined by Paul Ekman is happy, sad, angry, surprised, scared and
disgusted. First class labelling are conducted based on emoticons
and hashtags markers inside tweet to avoid manual annotation on
very large data. The second stage is preprocessing to remove
unneeded tweet and word, The third stage is using Naive Bayes
classification to create a classification model that can detect
emotions in a tweet.
The evaluation in this final project uses data that is with
division of 80% for training and 20% for testing. The test is done
with a number of different data and different markers to label the
emotion. The results is the system can detect emotions well enough
in class of neutral emotion, happy and sad with fscore respectively
77%, 75% and 65%. While the performance of the angry class only
reached 37%. On the class surprised and scared by 27% and 23%
and in disgust class can not detect at all.
| Item Type: | Thesis (Undergraduate) |
|---|---|
| Additional Information: | RSIf 005.746 Mau d |
| Uncontrolled Keywords: | deteksi emosi, klasifikasi teks., naive bayes, Twitter |
| Subjects: | H Social Sciences > H Social Sciences (General) H Social Sciences > HF Commerce > HF5549.2 Personel Management |
| Divisions: | Faculty of Information Technology > Informatics Engineering > 55201-(S1) Undergraduate Thesis |
| Depositing User: | Mr. Tondo Indra Nyata |
| Date Deposited: | 29 Sep 2017 06:23 |
| Last Modified: | 27 Dec 2018 02:57 |
| URI: | http://repository.its.ac.id/id/eprint/48885 |
Actions (login required)
 |
View Item |