Deteksi Emosi Manusia Pada Tweet Bahasa Indonesia Dengan Klasifikasi Naive Bayes

Maulana, Mahardhika (2016) Deteksi Emosi Manusia Pada Tweet Bahasa Indonesia Dengan Klasifikasi Naive Bayes. Undergraduate thesis, Institut Teknologi Sepuluh Nopember.

[img]
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 > (S1) Undergraduate Theses
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 View Item