Melola Discovery

← Melola Discovery

Akses terbuka Jurnal SINTA 2

Klasifikasi Emosi pada Data Teks Pidato Politik Menggunakan Metode RoBERTa

Jurnal Teknologi Informasi dan Ilmu Komputer (JTIIK) · Vol. 13 No. 1 (2026) · hlm. 211–220

DOI
10.25126/jtiik.2026131
ISSN
2528-6579, 2355-7699
Terbit
2026-02-26
Penerbit
Fakultas Ilmu Komputer, Universitas Brawijaya
Bahasa
id
Lisensi
creativecommons.org/licenses/by-sa/4.0

Abstrak

Bahasa Indonesia

Analisis emosi dalam teks merupakan salah satu cabang penting dalam Natural Language Processing (NLP), khususnya dalam memahami pesan tersirat pada pidato politik. Pidato politik tidak hanya menyampaikan informasi, tetapi juga emosi yang bertujuan membentuk opini publik. Penelitian ini memanfaatkan model RoBERTa untuk mengklasifikasikan emosi dalam pidato Presiden Joko Widodo selama periode 2014–2024. Data diperoleh dari transkrip video resmi, menghasilkan 2952 paragraf yang telah dilabeli secara otomatis menggunakan model pre-trained `Indonesian-roberta-base-emotion-classifier`. Langkah praproses dilakukan melalui tahapan cleaning, lowercasing, tokenisasi, dan one-hot encoding. Selanjutnya, model RoBERTa dilakukan fine-tuning menggunakan batch size 16, learning rate 1e-5, dan 3 epoch. Evaluasi performa dilakukan dengan confusion matrix dan metrik akurasi, presisi, recall, dan F1-score. Hasil menunjukkan model mampu mengklasifikasikan lima emosi (anger, fear, happy, love, dan sadness) dengan akurasi 90%, presisi 91%, recall 90%, dan F1-score 0,91. Temuan ini menunjukkan bahwa RoBERTa efektif digunakan untuk klasifikasi emosi dalam teks pidato politik berbahasa Indonesia dan memberikan kontribusi terhadap pengembangan NLP dalam konteks komunikasi politik. Abstract Emotion analysis in texts is a significant branch of Natural Language Processing (NLP), particularly in understanding implicit messages in political speeches. Political speeches not only convey information but also express emotions to shape public opinion. This study utilizes the RoBERTa model to classify emotions in the speeches of President Joko Widodo during the 2014–2024 period. The dataset was obtained from official video transcripts, resulting in 2952 paragraphs labeled automatically using the pre-trained model `Indonesian-roberta-base-emotion-classifier`. The preprocessing stages included text cleaning, lowercasing, tokenization, and one-hot encoding. The RoBERTa model was fine-tuned using a batch size of 16, a learning rate of 1e-5, and 3 epochs. Performance evaluation was conducted using a confusion matrix and metrics such as accuracy, precision, recall, and F1-score. The results show that the model can classify five emotions (anger, fear, happy, love, and sadness) with 90% accuracy, 91% precision, 90% recall, and an F1-score of 0.91. These findings demonstrate that RoBERTa is effective for emotion classification in Indonesian political speech texts and contributes to the development of NLP in political communication contexts.

Inggris

Analisis emosi dalam teks merupakan salah satu cabang penting dalam Natural Language Processing (NLP), khususnya dalam memahami pesan tersirat pada pidato politik. Pidato politik tidak hanya menyampaikan informasi, tetapi juga emosi yang bertujuan membentuk opini publik. Penelitian ini memanfaatkan model RoBERTa untuk mengklasifikasikan emosi dalam pidato Presiden Joko Widodo selama periode 2014–2024. Data diperoleh dari transkrip video resmi, menghasilkan 2952 paragraf yang telah dilabeli secara otomatis menggunakan model pre-trained `Indonesian-roberta-base-emotion-classifier`. Langkah praproses dilakukan melalui tahapan cleaning, lowercasing, tokenisasi, dan one-hot encoding. Selanjutnya, model RoBERTa dilakukan fine-tuning menggunakan batch size 16, learning rate 1e-5, dan 3 epoch. Evaluasi performa dilakukan dengan confusion matrix dan metrik akurasi, presisi, recall, dan F1-score. Hasil menunjukkan model mampu mengklasifikasikan lima emosi (anger, fear, happy, love, dan sadness) dengan akurasi 90%, presisi 91%, recall 90%, dan F1-score 0,91. Temuan ini menunjukkan bahwa RoBERTa efektif digunakan untuk klasifikasi emosi dalam teks pidato politik berbahasa Indonesia dan memberikan kontribusi terhadap pengembangan NLP dalam konteks komunikasi politik. Abstract Emotion analysis in texts is a significant branch of Natural Language Processing (NLP), particularly in understanding implicit messages in political speeches. Political speeches not only convey information but also express emotions to shape public opinion. This study utilizes the RoBERTa model to classify emotions in the speeches of President Joko Widodo during the 2014–2024 period. The dataset was obtained from official video transcripts, resulting in 2952 paragraphs labeled automatically using the pre-trained model `Indonesian-roberta-base-emotion-classifier`. The preprocessing stages included text cleaning, lowercasing, tokenization, and one-hot encoding. The RoBERTa model was fine-tuned using a batch size of 16, a learning rate of 1e-5, and 3 epochs. Performance evaluation was conducted using a confusion matrix and metrics such as accuracy, precision, recall, and F1-score. The results show that the model can classify five emotions (anger, fear, happy, love, and sadness) with 90% accuracy, 91% precision, 90% recall, and an F1-score of 0.91. These findings demonstrate that RoBERTa is effective for emotion classification in Indonesian political speech texts and contributes to the development of NLP in political communication contexts.

Kata kunci

Jaringan kolaborasi para penulis

4 penulis · 6 tautan kepenulisan bersama

Arahkan kursor atau ketuk sebuah nama untuk menyorot rekan penulisnya. Klik dua kali untuk membuka halaman penulis.

  • Afiliasi tidak diketahui
  • Organisasi berbeda
  • Organisasi sama
  • Afiliasi tidak diketahui
  • Garis lebih tebal = lebih banyak artikel bersama · lingkaran lebih besar = lebih banyak artikel
Tampilkan sebagai tabel
Rekan penulisOrganisasiArtikel bersama

Afiliasi berasal dari OpenAlex; metadata OAI-PMH jurnal tidak memuatnya. Penulis tanpa ID OpenAlex dicocokkan berdasarkan nama, sehingga dua orang bisa tergabung atau satu orang bisa terpisah.

Sumber metadata: OAI-PMH (metadata jurnal) https://jtiik.ub.ac.id/index.php/jtiik/en/oai, pertama di-harvest 27 Okt 2026, terakhir terlihat 15 Nov 2026.
Metadata asli (oai_dc)
<oai_dc:dc xmlns="http://www.openarchives.org/OAI/2.0/" xmlns:dc="http://purl.org/dc/elements/1.1/" xmlns:oai_dc="http://www.openarchives.org/OAI/2.0/oai_dc/" xmlns:xsi="http://www.w3.org/2001/XMLSchema-instance" xsi:schemaLocation="http://www.openarchives.org/OAI/2.0/oai_dc/  http://www.openarchives.org/OAI/2.0/oai_dc.xsd">
	<dc:title xml:lang="id">Klasifikasi Emosi pada Data Teks Pidato Politik Menggunakan Metode RoBERTa</dc:title>
	<dc:title xml:lang="en">Klasifikasi Emosi pada Data Teks Pidato Politik Menggunakan Metode RoBERTa</dc:title>
	<dc:creator xml:lang="en">Saputro, Safitri Ramadhayanti</dc:creator>
	<dc:creator xml:lang="id">Ramadhayanti Saputro, Safitri </dc:creator>
	<dc:creator xml:lang="id">Arifianto, Deni</dc:creator>
	<dc:creator xml:lang="id">Adi Cahyanto, Triawan </dc:creator>
	<dc:subject xml:lang="id">Bahasa Indonesia</dc:subject>
	<dc:subject xml:lang="id">Fine-Tuning</dc:subject>
	<dc:subject xml:lang="id">Klasifikasi Emosi</dc:subject>
	<dc:subject xml:lang="id">Natural Language Processing</dc:subject>
	<dc:subject xml:lang="id">Pidato Politik</dc:subject>
	<dc:subject xml:lang="id">RoBERTa</dc:subject>
	<dc:subject xml:lang="en">Indonesian</dc:subject>
	<dc:subject xml:lang="en">Fine-Tuning</dc:subject>
	<dc:subject xml:lang="en">Emotional Classification</dc:subject>
	<dc:subject xml:lang="en">Natural Language Processing</dc:subject>
	<dc:subject xml:lang="en">Political Speech</dc:subject>
	<dc:subject xml:lang="en">RoBERTa</dc:subject>
	<dc:description xml:lang="id">Analisis emosi dalam teks merupakan salah satu cabang penting dalam Natural Language Processing (NLP), khususnya dalam memahami pesan tersirat pada pidato politik. Pidato politik tidak hanya menyampaikan informasi, tetapi juga emosi yang bertujuan membentuk opini publik. Penelitian ini memanfaatkan model RoBERTa untuk mengklasifikasikan emosi dalam pidato Presiden Joko Widodo selama periode 2014–2024. Data diperoleh dari transkrip video resmi, menghasilkan 2952 paragraf yang telah dilabeli secara otomatis menggunakan model pre-trained `Indonesian-roberta-base-emotion-classifier`. Langkah praproses dilakukan melalui tahapan cleaning, lowercasing, tokenisasi, dan one-hot encoding. Selanjutnya, model RoBERTa dilakukan fine-tuning menggunakan batch size 16, learning rate 1e-5, dan 3 epoch. Evaluasi performa dilakukan dengan confusion matrix dan metrik akurasi, presisi, recall, dan F1-score. Hasil menunjukkan model mampu mengklasifikasikan lima emosi (anger, fear, happy, love, dan sadness) dengan akurasi 90%, presisi 91%, recall 90%, dan F1-score 0,91. Temuan ini menunjukkan bahwa RoBERTa efektif digunakan untuk klasifikasi emosi dalam teks pidato politik berbahasa Indonesia dan memberikan kontribusi terhadap pengembangan NLP dalam konteks komunikasi politik.
 
Abstract
Emotion analysis in texts is a significant branch of Natural Language Processing (NLP), particularly in understanding implicit messages in political speeches. Political speeches not only convey information but also express emotions to shape public opinion. This study utilizes the RoBERTa model to classify emotions in the speeches of President Joko Widodo during the 2014–2024 period. The dataset was obtained from official video transcripts, resulting in 2952 paragraphs labeled automatically using the pre-trained model `Indonesian-roberta-base-emotion-classifier`. The preprocessing stages included text cleaning, lowercasing, tokenization, and one-hot encoding. The RoBERTa model was fine-tuned using a batch size of 16, a learning rate of 1e-5, and 3 epochs. Performance evaluation was conducted using a confusion matrix and metrics such as accuracy, precision, recall, and F1-score. The results show that the model can classify five emotions (anger, fear, happy, love, and sadness) with 90% accuracy, 91% precision, 90% recall, and an F1-score of 0.91. These findings demonstrate that RoBERTa is effective for emotion classification in Indonesian political speech texts and contributes to the development of NLP in political communication contexts.
 </dc:description>
	<dc:description xml:lang="en">Analisis emosi dalam teks merupakan salah satu cabang penting dalam Natural Language Processing (NLP), khususnya dalam memahami pesan tersirat pada pidato politik. Pidato politik tidak hanya menyampaikan informasi, tetapi juga emosi yang bertujuan membentuk opini publik. Penelitian ini memanfaatkan model RoBERTa untuk mengklasifikasikan emosi dalam pidato Presiden Joko Widodo selama periode 2014–2024. Data diperoleh dari transkrip video resmi, menghasilkan 2952 paragraf yang telah dilabeli secara otomatis menggunakan model pre-trained `Indonesian-roberta-base-emotion-classifier`. Langkah praproses dilakukan melalui tahapan cleaning, lowercasing, tokenisasi, dan one-hot encoding. Selanjutnya, model RoBERTa dilakukan fine-tuning menggunakan batch size 16, learning rate 1e-5, dan 3 epoch. Evaluasi performa dilakukan dengan confusion matrix dan metrik akurasi, presisi, recall, dan F1-score. Hasil menunjukkan model mampu mengklasifikasikan lima emosi (anger, fear, happy, love, dan sadness) dengan akurasi 90%, presisi 91%, recall 90%, dan F1-score 0,91. Temuan ini menunjukkan bahwa RoBERTa efektif digunakan untuk klasifikasi emosi dalam teks pidato politik berbahasa Indonesia dan memberikan kontribusi terhadap pengembangan NLP dalam konteks komunikasi politik.
 
Abstract
Emotion analysis in texts is a significant branch of Natural Language Processing (NLP), particularly in understanding implicit messages in political speeches. Political speeches not only convey information but also express emotions to shape public opinion. This study utilizes the RoBERTa model to classify emotions in the speeches of President Joko Widodo during the 2014–2024 period. The dataset was obtained from official video transcripts, resulting in 2952 paragraphs labeled automatically using the pre-trained model `Indonesian-roberta-base-emotion-classifier`. The preprocessing stages included text cleaning, lowercasing, tokenization, and one-hot encoding. The RoBERTa model was fine-tuned using a batch size of 16, a learning rate of 1e-5, and 3 epochs. Performance evaluation was conducted using a confusion matrix and metrics such as accuracy, precision, recall, and F1-score. The results show that the model can classify five emotions (anger, fear, happy, love, and sadness) with 90% accuracy, 91% precision, 90% recall, and an F1-score of 0.91. These findings demonstrate that RoBERTa is effective for emotion classification in Indonesian political speech texts and contributes to the development of NLP in political communication contexts.
 </dc:description>
	<dc:publisher xml:lang="en">Fakultas Ilmu Komputer, Universitas Brawijaya</dc:publisher>
	<dc:date>2026-02-26</dc:date>
	<dc:type>info:eu-repo/semantics/article</dc:type>
	<dc:type>info:eu-repo/semantics/publishedVersion</dc:type>
	<dc:format>application/pdf</dc:format>
	<dc:identifier>https://jtiik.ub.ac.id/index.php/jtiik/article/view/10576</dc:identifier>
	<dc:identifier>10.25126/jtiik.2026131</dc:identifier>
	<dc:source xml:lang="id">Jurnal Teknologi Informasi dan Ilmu Komputer; Vol 13 No 1: Februari 2026; 211-220</dc:source>
	<dc:source xml:lang="en">Jurnal Teknologi Informasi dan Ilmu Komputer; Vol. 13 No. 1: Februari 2026; 211-220</dc:source>
	<dc:source>2528-6579</dc:source>
	<dc:source>2355-7699</dc:source>
	<dc:source>10.25126/jtiik.2026131</dc:source>
	<dc:language>id</dc:language>
	<dc:relation>https://jtiik.ub.ac.id/index.php/jtiik/article/view/10576/1557</dc:relation>
	<dc:rights xml:lang="en">Copyright (c) 2026 Safitri Ramadhayanti Saputro, Deni Arifianto, Triawan  Adi Cahyanto</dc:rights>
	<dc:rights xml:lang="en">https://creativecommons.org/licenses/by-sa/4.0</dc:rights>
</oai_dc:dc>