Sistem Identifikasi Emosi Dalam Teks Menggunakan Algoritma Support Vector Machine (Svm)

Rofiq Nur Albiyona

Abstract


Kemampuan untuk mengenali emosi dalam teks menjadi aspek penting dalam pengembangan sistem berbasis bahasa alami, terutama dalam konteks layanan digital seperti chatbot, analisis opini, dan interaksi pengguna. Penelitian ini mengembangkan sistem identifikasi emosi berbasis teks menggunakan algoritma Support Vector Machine (SVM) dan pembobotan fitur TF-IDF, yang diimplementasikan dengan bahasa pemrograman Python dan framework Streamlit. Data yang digunakan berupa dataset emosi berbahasa Indonesia yang telah melalui tahap pre-processing. Sistem ini diuji menggunakan confusion matrix dan evaluasi usability dengan System Usability Scale (SUS). Hasil pengujian menunjukkan bahwa algoritma SVM mampu mengklasifikasikan emosi dengan akurasi 68%, dengan performa terbaik pada emosi "senang". Evaluasi sistem menunjukkan skor rata-rata usability sebesar 81 yang masuk dalam kategori “Excelent” dengan Grade B. Sistem ini dinilai layak digunakan untuk mendeteksi emosi dalam teks secara otomatis, efisien, dan cukup akurat.

References


B. Sarasati and O. Nurvia, “Pengaruh Self Efficacy Terhadap Kecemasan Berbicara Di Depan Umum Pada Mahasiswa Yang Mengikuti Program Generasi Berencana (Genre),” J. Psibernetika, vol. Vol. 17 (N, no. 1, pp. 10–22, 2024, doi: 10.30813/psibernetika.

M. Mahmud and A. Fajri, “Strategi Pengendalian Emosi Pada Anak Usia Sekolah Dasar Untuk Mendukung Kecerdasannya,” J. Kaji. dan Pengemb. Umat, vol. 4, no. 1, pp. 44–54, 2021, doi: 10.31869/jkpu.v4i1.2479.

R. W. Pratiwi, S. F. H, D. Dairoh, D. I. Af’idah, Q. R. A, and A. G. F, “Analisis Sentimen Pada Review Skincare Female Daily Menggunakan Metode Support Vector Machine (SVM),” J. Informatics, Inf. Syst. Softw. Eng. Appl., vol. 4, no. 1, pp. 40–46, 2021, doi: 10.20895/inista.v4i1.387.

F. Putra, H. F. Tahiyat, R. M. Ihsan, Rahmaddeni, and L. Efrizoni, “Penerapan Algoritma K-Nearest Neighbor Menggunakan Wrapper Sebagai Preprocessing untuk Penentuan Keterangan Berat Badan Manusia,” MALCOM Indones. J. Mach. Learn. Comput. Sci., vol. 4, no. January, pp. 273–281, 2024, doi: 10.1109/I2CT45611.2019.9033691.

D. B. Putra and R. R. Suryono, “Komparasi Algoritma Support Vector Machine dan Decision Tree Dalam Analisis Sentimen Publik Terhadap Penerapan PPN 12 %,” vol. 7, no. 1, pp. 332–343, 2025, doi: 10.47065/bits.v7i1.7147.

D. Septiani and I. Isabela, “Analisis Term Frequency Inverse Document Frequency (Tf-Idf) Dalam Temu Kembali Informasi Pada Dokumen Teks,” SINTESIA J. Sist. dan Teknol. Inf. Indones., vol. 1, no. 1, pp. 81–88, 2022.

C. H. Yutika, A. Adiwijaya, and S. Al Faraby, “Analisis Sentimen Berbasis Aspek pada Review Female Daily Menggunakan TF-IDF dan Naïve Bayes,” J. Media Inform. Budidarma, vol. 5, no. 2, p. 422, 2021, doi: 10.30865/mib.v5i2.2845.

A. Suharto, “Fundamental Bahasa Pemrograman Python,” Eureka Media Aksara, pp. 1–25, 2023.

A. Putranto, N. L. Azizah, and A. I. Ratna Ika, “Sistem Prediksi Penyakit Jantung Berbasis Web Menggunakan Metode SVM dan Framework Streamlit,” J. Penerapan Sist. Inf. (Komputer Manajemen), vol. 4, no. 2, pp. 442–452, 2023, [Online]. Available: https://archive.ics.uci.edu/ml/datasets/heart+disease

A. Tholib, Buku Refrensi Implementasi Algoritma Machine Learning Berbasis Web dengan Framework Streamlit, vol. 3, no. 1. 2023. [Online]. Available: http://dx.doi.org/10.1016/j.bpj.2015.06.056%0Ahttps://academic.oup.com/bioinformatics/article-abstract/34/13/2201/4852827%0Ainternal-pdf://semisupervised-3254828305/semisupervised.ppt%0Ahttp://dx.doi.org/10.1016/j.str.2013.02.005%0Ahttp://dx.doi.org/10.10

R. Hermiati, Asnawati, and I. Kanedi, “Pembuatan E-Commerce Pada Raja Komputer Menggunakan Bahasa Pemrograman Php Dan Database Mysql,” J. Media Infotama, vol. 17, no. 1, pp. 54–66, 2021, doi: 10.37676/jmi.v17i1.1317.

S. D. Surya, E. Utami, and A. Yaqin, “Comparison of Feature Extraction Methods for Conducting Sentiment Classification in Ternate Malay Language using Machine Learning Approaches,” Protek J. Ilm. Tek. Elektro, vol. 11, no. 3, pp. 200–207, 2024, doi: 10.33387/protk.v11i3.7262.

P. A. N. Aryanti and I. B. M. Mahendra, “Analisis Sentimen Opini Berbahasa Indonesia Pada Sosial Media Menggunakan TF-IDF dan Support Vector Machine,” J. Elektron. Ilmu Komput. Udayana, vol. 12, no. 1, pp. 45–52, 2023, [Online]. Available: https://ojs.unud.ac.id/index.php/jlk/article/view/JLK.2023.v12.i01.p06/48126

J. E. Br Sinulingga and H. C. K. Sitorus, “Analisis Sentimen Opini Masyarakat terhadap Film Horor Indonesia Menggunakan Metode SVM dan TF-IDF,” J. Manaj. Inform., vol. 14, no. 1, pp. 42–53, 2024, doi: 10.34010/jamika.v14i1.11946.

R. F. P. Pratama and W. Maharani, “Comparative Analysis of Naive Bayes and SVM for Improved Emotion Classification on Social Media,” Edumatic J. Pendidik. Inform., vol. 9, no. 1, pp. 11–20, 2025, doi: 10.29408/edumatic.v9i1.29087.

J. Yudhistira, “Perancangan Sistem Informasi Ujian Online Menggunakan Metode Extreme Programming,” J. Artif. Intell. Technol. Inf., vol. 2, no. 2, pp. 87–95, 2024, doi: 10.58602/jaiti.v2i2.122.


Refbacks

  • There are currently no refbacks.



 
PANDUAN SUBMITE ARTIKEL
 


Kantor Sekertariat:
Universitas PGRI Madiun
Jl. Auri No. 14-16  Kota Madiun 63118
Lt 3 Kantor Program Studi Teknik Informatika
email :  [email protected]
 
 

Lisensi Creative Commons
Ciptaan disebarluaskan di bawah Lisensi Creative Commons Atribusi-BerbagiSerupa 4.0 Internasional.