DETEKSI EMOSI PADA TWITTER BERBASIS FASTTEXT: EVALUASI PERFORMA ARSITEKTUR CNN DAN GRU

Teks pada media sosial seperti Twitter menghasilkan data dalam jumlah besar yang berpotensi dimanfaatkan untuk memahami emosi pengguna secara otomatis. Namun, karakteristik teks Twitter yang singkat, tidak terstruktur, serta didominasi oleh bahasa informal dan penggunaan emoji menimbulkan tantangan tersendiri dalam deteksi emosi, khususnya pada teks berbahasa Indonesia. Penelitian ini bertujuan untuk mengembangkan dan mengevaluasi pipeline preprocessing yang spesifik guna meningkatkan kinerja model klasifikasi emosi berbasis deep learning. Pipeline preprocessing yang diterapkan meliputi pembersihan teks media sosial, normalisasi bahasa informal dan slang, penghapusan karakter yang tidak relevan, serta konversi emoji menjadi representasi teks, sedangkan representasi kata dilakukan menggunakan word embedding FastText. Metode eksperimen digunakan untuk membandingkan kinerja tiga arsitektur deep learning, yaitu Convolutional Neural Network (CNN), Gated Recurrent Unit (GRU), dan model hibrida CNN–GRU, dalam memprediksi lima kategori emosi, yaitu marah, senang, sedih, takut, dan cinta. Dataset yang digunakan terdiri dari 5.079 tweet yang dibagi menggunakan metode stratified split dengan rasio 80:20 antara data pelatihan dan pengujian. Evaluasi performa dilakukan menggunakan metrik akurasi, presisi, recall, dan F1-score. Hasil penelitian menunjukkan bahwa model CNN dengan FastText memberikan performa terbaik dibandingkan model lainnya dengan akurasi 81,2%, presisi 81,1%, recall 81,9%, dan F1-score 81,2%, yang menegaskan bahwa pipeline preprocessing yang dirancang secara khusus berperan penting dalam meningkatkan akurasi deteksi emosi pada teks Twitter berbahasa Indonesia.