Klasifikasi Emosi Pada Teks Berbahasa Indonesia Dengan Attention-Based BiLSTM

Abstract

Bahasa Indonesia

Media sosial telah menjadi bagian integral dari komunikasi digital modern yang memungkinkan pengguna berbagi informasi dan mengekspresikan berbagai emosi melalui konten digital. Pemahaman emosi pengguna menjadi penting karena berperan dalam mendukung pengambilan keputusan di berbagai domain, seperti analisis respons konsumen, pengukuran sentimen publik, serta peningkatan kualitas dan personalisasi pengalaman pengguna pada layanan digital. Namun, klasifikasi emosi pada teks berbahasa Indonesia masih menjadi tantangan karena karakteristik linguistik dan kompleksitas ekspresi emosional yang tinggi. Penelitian ini bertujuan untuk mengembangkan dan mengevaluasi model attention-based Bidirectional Long Short-Term Memory (BiLSTM) guna meningkatkan pemahaman kontekstual dan menangkap nuansa emosional dalam klasifikasi emosi teks berbahasa Indonesia. Dataset yang digunakan terdiri dari 7.080 tweet berbahasa Indonesia yang tersedia secara publik. Tahapan preprocessing meliputi tokenisasi, normalisasi, serta penghapusan stopword. Model yang diusulkan dibandingkan dengan dua model pembanding, yaitu BiLSTM tanpa attention dan attention-based LSTM. Hasil penelitian menunjukkan bahwa attention-based BiLSTM mencapai akurasi sebesar 72,5% dan macro F1-score sebesar 73,8%. Kinerja ini menunjukkan peningkatan performa hingga 3,54% pada akurasi dan 3,03% pada macro F1-score. Performa terbaik diperoleh pada kelas fear (F1 = 0,80) dan love (F1 = 0,76), sementara kelas neutral masih menunjukkan kinerja yang relatif lebih rendah (F1 = 0,62). Secara keseluruhan, penelitian ini menyimpulkan bahwa attention-based BiLSTM merupakan pendekatan yang efektif untuk klasifikasi emosi pada teks media sosial berbahasa Indonesia. Integrasi attention mechanism pada arsitektur BiLSTM terbukti meningkatkan kemampuan ekstraksi fitur kontekstual dan akurasi klasifikasi lintas kelas emosi. Abstract Social media has become integral to modern digital communication, enabling users to share information and express a range of emotions through digital content. Understanding user emotions is increasingly important because it supports decision-making across multiple domains, including consumer response analysis, public sentiment measurement, and the enhancement and personalization of user experiences in digital services. However, emotion classification in Indonesian-language text remains challenging due to linguistic characteristics and the complexity of emotional expressions. This study aims to develop and evaluate an attention-based Bidirectional Long Short-Term Memory (BiLSTM) model to improve contextual understanding and capture emotional nuances in emotion classification for Indonesian text. The dataset consists of 7,080 publicly available Indonesian tweets. Preprocessing includes tokenization, normalization, and stopword removal. The proposed model is compared with two baseline models: a BiLSTM without attention and an attention-based LSTM. The experimental results show that the attention-based BiLSTM achieves an accuracy of 72.5% and a macro F1-score of 73.8%, representing performance improvements of up to 3.54% in accuracy and 3.03% in macro F1-score. The best performance is observed in the fear class (F1 = 0.80) and the love class (F1 = 0.76), while the neutral class still exhibits relatively lower performance (F1 = 0.62). Overall, this study concludes that the attention-based BiLSTM is an effective approach for emotion classification in Indonesian social media text. The integration of an attention mechanism into the BiLSTM architecture has been shown to enhance contextual feature extraction and improve classification accuracy across emotion classes.

English

Media sosial telah menjadi bagian integral dari komunikasi digital modern yang memungkinkan pengguna berbagi informasi dan mengekspresikan berbagai emosi melalui konten digital. Pemahaman emosi pengguna menjadi penting karena berperan dalam mendukung pengambilan keputusan di berbagai domain, seperti analisis respons konsumen, pengukuran sentimen publik, serta peningkatan kualitas dan personalisasi pengalaman pengguna pada layanan digital. Namun, klasifikasi emosi pada teks berbahasa Indonesia masih menjadi tantangan karena karakteristik linguistik dan kompleksitas ekspresi emosional yang tinggi. Penelitian ini bertujuan untuk mengembangkan dan mengevaluasi model attention-based Bidirectional Long Short-Term Memory (BiLSTM) guna meningkatkan pemahaman kontekstual dan menangkap nuansa emosional dalam klasifikasi emosi teks berbahasa Indonesia. Dataset yang digunakan terdiri dari 7.080 tweet berbahasa Indonesia yang tersedia secara publik. Tahapan preprocessing meliputi tokenisasi, normalisasi, serta penghapusan stopword. Model yang diusulkan dibandingkan dengan dua model pembanding, yaitu BiLSTM tanpa attention dan attention-based LSTM. Hasil penelitian menunjukkan bahwa attention-based BiLSTM mencapai akurasi sebesar 72,5% dan macro F1-score sebesar 73,8%. Kinerja ini menunjukkan peningkatan performa hingga 3,54% pada akurasi dan 3,03% pada macro F1-score. Performa terbaik diperoleh pada kelas fear (F1 = 0,80) dan love (F1 = 0,76), sementara kelas neutral masih menunjukkan kinerja yang relatif lebih rendah (F1 = 0,62). Secara keseluruhan, penelitian ini menyimpulkan bahwa attention-based BiLSTM merupakan pendekatan yang efektif untuk klasifikasi emosi pada teks media sosial berbahasa Indonesia. Integrasi attention mechanism pada arsitektur BiLSTM terbukti meningkatkan kemampuan ekstraksi fitur kontekstual dan akurasi klasifikasi lintas kelas emosi. Abstract Social media has become integral to modern digital communication, enabling users to share information and express a range of emotions through digital content. Understanding user emotions is increasingly important because it supports decision-making across multiple domains, including consumer response analysis, public sentiment measurement, and the enhancement and personalization of user experiences in digital services. However, emotion classification in Indonesian-language text remains challenging due to linguistic characteristics and the complexity of emotional expressions. This study aims to develop and evaluate an attention-based Bidirectional Long Short-Term Memory (BiLSTM) model to improve contextual understanding and capture emotional nuances in emotion classification for Indonesian text. The dataset consists of 7,080 publicly available Indonesian tweets. Preprocessing includes tokenization, normalization, and stopword removal. The proposed model is compared with two baseline models: a BiLSTM without attention and an attention-based LSTM. The experimental results show that the attention-based BiLSTM achieves an accuracy of 72.5% and a macro F1-score of 73.8%, representing performance improvements of up to 3.54% in accuracy and 3.03% in macro F1-score. The best performance is observed in the fear class (F1 = 0.80) and the love class (F1 = 0.76), while the neutral class still exhibits relatively lower performance (F1 = 0.62). Overall, this study concludes that the attention-based BiLSTM is an effective approach for emotion classification in Indonesian social media text. The integration of an attention mechanism into the BiLSTM architecture has been shown to enhance contextual feature extraction and improve classification accuracy across emotion classes.

Keywords

• BiLSTM
• attention mechanism
• klasifikasi emosi
• natural langage processing