Klasifikasi Emosi Berbasis Emolex dari Komentar Evaluasi Akademik Mahasiswa

Amir Hamzah; Renna Yanwastika Ariyana

doi:10.62411/tc.v23i2.10058

Authors

Amir Hamzah Institut Sains & Teknologi AKPRIND Yogyakarta
Renna Yanwastika Ariyana Institut Sains & Teknologi AKPRIND Yogyakarta

DOI:

https://doi.org/10.62411/tc.v23i2.10058

Keywords:

lexicon, emotion classification, Emolex

Abstract

Upaya melakukan analisis emosi pada teks komentar mahasiswa dalam evaluasi pembelajaran sangat penting dilakukan. Komentar dalam kuesener umumnya tidak diolah, padahal data tersebut mengandung informasi dalam mengungkap emosi mahasiswa dalam proses pembelajaran. Untuk itu deteksi dan klasifikasi emosi pada opini mahasiswa dapat memperbaiki hasil kuesioner. Penelitian ini bertujuan menerapkan metode klasifikasi emosi pada teks komentar mahasiswa berbasis pada leksikon emosi dari NRC Emolex. Jenis emosi yang akan dideteksi adalah 8 jenis emosi, yaitu marah (Anger), antisipasi (anticipation), jijik (disgust), takut (fear), bahagia (joy), sedih (sadness), terkejut (surprise) dan yakin (trust) . Data diambil dari komentar dan saran mahasiswa pada kuesioner pada Universitas AKPRIND Indonesia tahun 2020-2022 sebanyak 4000 data yang telah dilabeli secara manual. Tujuan lain dari studi ini adalah melihat sejauh mana efektivitas leksikon emosi Emolex untuk klasifikasi emosi teks kuesioner akademis. Hasil penelitian menunjukkan rata-rata akurasi sebesar 56,2%. Dari yang diketahui label emosinya 3 prosentase tertinggi ada pada label Sadness (19,2%), Joy(16,7%) dan Fear (13,5%) yang masing-masing memiliki akurasi 72%, 68% dan 68%. Dari penelitian terungkap bahwa kinerja Emolex untuk klasifikasi emosi masih kurang memuaskan dan memerlukan pengembangan leksikon lebih jauh lagi.

References

R. Plutchik, The Psychology and Biology of Emotion. New York: Harper Collins Publisher, 1994.

F. Celli and L. Rossi, “The role of Emotional Stability in Twitter Conversations,” Proceedings of Workshop on Semantic Analysis in Social Media, in conjunction with EACL 2012, pp. 10–17, 2012, [Online]. Available: http://aclweb.org/anthology-new/W/W12/W12-0602.pdf

Prince Awuah Baffour, Henry Nunoo-Mensah, Eliel Keelson, and Benjamin Kommey, “A Survey on Deep Learning Algorithms in Facial Emotion Detection and Recognition,” Inform : Jurnal Ilmiah Bidang Teknologi Informasi dan Komunikasi, vol. 7, no. 1, pp. 24–32, Jun. 2022, doi: 10.25139/inform.v7i1.4563.

A. R. Murthy and K. M. Anil Kumar, “A Review of Different Approaches for Detecting Emotion from Text,” IOP Conf Ser Mater Sci Eng, vol. 1110, no. 1, p. 012009, Mar. 2021, doi: 10.1088/1757-899x/1110/1/012009.

F. A. Acheampong, C. Wenyu, and H. Nunoo-Mensah, “Text-based emotion detection: Advances, challenges, and opportunities,” Engineering Reports, vol. 2, no. 7. John Wiley and Sons Inc, Jul. 01, 2020. doi: 10.1002/eng2.12189.

S. Goyal and N. Tiwari, “EMOTION RECOGNITION : A LITERATURE SURVEY,” International Journal For Technological Research In Engineering, vol. 4, no. 9, pp. 1502–1524, 2017.

F. Greaves, C. Excellence, D. Ramirez-cano, and L. J. Donaldson, “Use of Sentiment Analysis for Capturing Patient Experience From Free-Text Comments Posted Online,” J Med Internet Res, vol. 15, no. 11, pp. 145–152, 2013, doi: 10.2196/jmir.2721.

K. Olausson, L. Sharp, P. Fransson, T. Nyholm, B. Zackrisson, and U. Östlund, “What matters to you? – Free-text comments in a questionnaire from patients undergoing radiotherapy,” Tech Innov Patient Support Radiat Oncol, vol. 13, pp. 11–16, Mar. 2020, doi: 10.1016/j.tipsro.2019.11.009.

B. Liu, Sentiment Analysis and Opinion Mining, no. May. Morgan & Claypool Publisher, 2012.

H. Lian, C. Lu, S. Li, Y. Zhao, C. Tang, and Y. Zong, “A Survey of Deep Learning-Based Multimodal Emotion Recognition: Speech, Text, and Face,” Entropy, vol. 25, no. 10. Multidisciplinary Digital Publishing Institute (MDPI), Oct. 01, 2023. doi: 10.3390/e25101440.

P. Ekman, “An Argument for Basic Emotions,” Cogn Emot, vol. 4, no. 3, pp. 169–200, 1992.

Riccosan, K. E. Saputra, G. D. Pratama, and A. Chowanda, “Emotion dataset from Indonesian public opinion,” Data Brief, vol. 43, Aug. 2022, doi: 10.1016/j.dib.2022.108465.

P. R. Shaver, U. Murdaya, and R. C. Fraley, “Structure of the Indonesian emotion lexicon,” Asian J Soc Psychol, vol. 4, no. 3, pp. 201–224, 2001.

J. Bata, Sunyoto, and Pranowo, “Leksikon untuk deteksi emosi dari teks bahasa indonesia,” in Seminar Nasional Informatika 2015 (semnasIF 2015), 2015, pp. 195–202.

S. M. Mohammad and P. D. Turney, “Crowdsourcing a Word – Emotion Association Lexicon,” Comput Intell, vol. 29, no. 3, pp. 436–465, 2013.

S. X. Mashal and K. Asnani, “Emotion intensity detection for social media data,” in Proc. Int. Conf. Computing Methodologies and Communication ( ICCMC 2017), 2017, pp. 155–158.

N. Shafiya, N. Salam, A. A. Supianto, and A. R. Perdanakusuma, “Analisis Sentimen Opini Mahasiswa Terhadap Saran Kuesioner Penilaian Kinerja Dosen dengan Menggunakan TF-IDF dan K-Nearest Neighbor,” Jurnal Pengembangan Teknologi Informasi dan Ilmu Komputer, vol. 3, no. 6, pp. 6148–6156, 2019, [Online]. Available: http://j-ptiik.ub.ac.id

J. Bata, “#AkuGalau: Korpus Bahasa Indonesia untuk Deteksi Emosi dari Teks,” JURNAL ELEKTRO, vol. 12, no. 2, pp. 103–110, 2019, [Online]. Available: www.youtube.com

Klasifikasi Emosi Berbasis Emolex dari Komentar Evaluasi Akademik Mahasiswa

Authors

DOI:

Keywords:

Abstract

References

Downloads

Published

Issue

Section

License

Make a Submission

Current Issue