Klasifikasi Emosi pada Teks Berbahasa Inggris Menggunakan Pendekatan Ensemble Bagging

Penelitian ini menyoroti pentingnya klasifikasi emosi dalam teks berbahasa Inggris, khususnya dalam konteks interaksi manusia di media sosial yang sering melibatkan data tidak terstruktur. Emosi memainkan peran krusial dalam komunikasi dan pemahaman yang lebih baik terhadap emosi ini dapat membantu dalam analisis perilaku pengguna. Tujuan utama dari penelitian ini yaitu untuk meningkatkan akurasi, recall, precision, dan f1-score dalam klasifikasi emosi dengan menerapkan pendekatan ensemble bagging yang menggabungkan algoritma naïve Bayes, logistic regression, dan k-nearest neighbors (KNN). Metodologi yang diterapkan mencakup pengumpulan data dari berbagai sumber, diikuti dengan pembersihan dan analisis data menggunakan teknik penambangan teks dan pembelajaran mesin. Data yang diperoleh kemudian dianalisis untuk mendeteksi emosi, seperti marah, bahagia, sedih, terkejut, malu, jijik, dan takut. Evaluasi kinerja dilakukan dengan membandingkan hasil metode ensemble bagging dengan algoritma individual untuk mengukur efektivitasnya. Hasil penelitian menunjukkan bahwa metode logistic regression mencapai akurasi tertinggi sebesar 98,76%, diikuti oleh naïve Bayes dan KNN. Metode ensemble ini berhasil mengatasi keterbatasan masing-masing algoritma individu dengan meningkatkan stabilitas dan keandalan klasifikasi secara keseluruhan. Temuan ini memberikan wawasan berharga tentang teknik analisis emosi berbasis teks dan menunjukkan potensi metode ensemble untuk meningkatkan akurasi klasifikasi. Penelitian ini juga merekomendasikan arah penelitian di masa depan untuk mengeksplorasi teknik ensemble tambahan dan mengoptimalkan kompleksitas model guna mencapai peningkatan kinerja analisis emosi pada berbagai dataset yang lebih luas.