IMPLEMENTASI MULTINOMIAL NAIVE BAYES DALAM DETEKSI EMOSI PADA TEKS BAHASA MELAYU TERNATE
DOI:
https://doi.org/10.33387/dwsd3n20Keywords:
bahasa Melayu Ternate, deteksi emosi, Multinomial Naive Bayes,, TF-IDF, klasifikasi teksAbstract
Bahasa Melayu Ternate merupakan salah satu bahasa yang digunakan dalam komunikasi sehari-hari masyarakat Maluku Utara dan memiliki karakteristik kosakata serta ekspresi emosional yang khas. Penelitian deteksi emosi berbasis teks telah berkembang pada Bahasa Indonesia, sedangkan kajian pada Bahasa Melayu Ternate masih terbatas. Penelitian ini bertujuan mengimplementasikan Multinomial Naive Bayes untuk mengklasifikasikan teks Bahasa Melayu Ternate ke dalam empat kategori emosi, yaitu Bahagia, Marah, Sedih, dan Takut. Dataset awal terdiri atas 499 teks dengan distribusi 127 data Bahagia, 129 Marah, 130 Sedih, dan 113 Takut. Tahapan penelitian meliputi pelabelan, preprocessing, augmentasi data, representasi Term Frequency-Inverse Document Frequency (TF-IDF), pembagian dataset, pelatihan Multinomial Naive Bayes, dan evaluasi. Enam teknik augmentasi meningkatkan jumlah dataset menjadi 1.040 data dengan distribusi yang sama pada setiap kelas. TF-IDF dikonfigurasi dengan maksimal 2.000 fitur dan n-gram hingga trigram, sedangkan Multinomial Naive Bayes menggunakan parameter alpha 0,5. Berdasarkan skenario eksperimen yang digunakan, pengujian terhadap 208 data memperoleh accuracy 88,46%, macro precision 89,19%, macro recall 88,46%, dan macro F1-score 88,59%. Hasil menunjukkan bahwa kombinasi TF-IDF dan Multinomial Naive Bayes dapat diterapkan untuk klasifikasi empat kategori emosi pada dataset Bahasa Melayu Ternate yang digunakan dalam penelitian ini.
References
[1] H. Altaran, M. Sondakh, and S. H. Harilama, “Peranan Komunikasi Orang Tua Dengan Remaja Dalam Melestarikan Bahasa Tidore Di Kelurahan Goto Kota Tidore Kepulauan Maluku Utara,” Acta Diurna Komunikasi, vol. 5, no. 1, 2023.
[2] N. Alswaidan and M. E. B. Menai, “A Survey of State-of-the-Art Approaches for Emotion Recognition in Text,” Knowledge and Information Systems, vol. 62, no. 8, pp. 2937–2987, 2020, doi: 10.1007/s10115-020-01449-0.
[3] J. Hofmann, E. Troiano, K. Sassenberg, and R. Klinger, “Appraisal Theories for Emotion Classification in Text,” in Proceedings of the 28th International Conference on Computational Linguistics, pp. 125–138, 2020, doi: 10.18653/v1/2020.coling-main.11.
[4] J. Bata, Suyoto, and Pranowo, “Leksikon Untuk Deteksi Emosi Dari Teks Bahasa Indonesia,” in Seminar Nasional Informatika 2015 (SEMNASIF), pp. 195–202, 2015.
[5] I. M. D. Ardiada, M. Sudarma, and D. Giriantari, “Text Mining pada Sosial Media untuk Mendeteksi Emosi Pengguna Menggunakan Metode Support Vector Machine dan K-Nearest Neighbour,” Majalah Ilmiah Teknologi Elektro, vol. 18, no. 1, pp. 55–60, 2019, doi: 10.24843/MITE.2019.v18i01.P08.
[6] A. Fadjeri, K. Hidayat, and D. R. Handayani, “Deteksi Emosi Pada Teks Menggunakan Algoritma Naïve Bayes,” Jurnal Riset Teknologi Informasi dan Komputer, vol. 1, no. 2, pp. 1–4, 2021, doi: 10.53863/juristik.v1i02.365.
[7] D. R. Wulandari, C. Setianingsih, and F. M. Dirgantara, “Deteksi Emosi Berbasis Teks Untuk Menganalisis Kuliah Daring Selama Masa Pandemi Menggunakan Algoritme Naive Bayes,” eProceedings of Engineering, vol. 9, no. 4, 2022, doi: 10.34818/eoe.v9i4.18254.
[8] S. F. Pane, F. Abdullah, and R. Habibi, “Deteksi Emosi Pada Teks Berbahasa Indonesia Menggunakan Pendekatan Ensemble,” Jurnal Teknologi Terapan, vol. 10, no. 2, 2024, doi: 10.31884/jtt.v10i2.551.
[9] Riccosan, K. E. Saputra, G. D. Pratama, and A. Chowanda, “Emotion Dataset from Indonesian Public Opinion,” Data in Brief, vol. 43, Art. no. 108465, 2022, doi: 10.1016/j.dib.2022.108465.
[10] K. S. Nugroho, F. A. Bachtiar, W. F. Mahmudy, M. M. Henry, M. Isnan, G. Pangestu, and B. Pardamean, “EmoTweetID: A Dataset of Indonesian Tweets for Emotion Classification and Word Embedding Construction,” Data in Brief, vol. 68, Art. no. 113119, 2026, doi: 10.1016/j.dib.2026.113119.
[11] C. D. Manning, P. Raghavan, and H. Schütze, Introduction to Information Retrieval. Cambridge: Cambridge University Press, 2008.
[12] J. Wei and K. Zou, “EDA: Easy Data Augmentation Techniques for Boosting Performance on Text Classification Tasks,” in Proceedings of the 2019 Conference on Empirical Methods in Natural Language Processing Processing and the 9th International Joint Conference on Natural Language Processing, pp. 6382–6388, 2019, doi: 10.18653/v1/D19-1670.
[13] J. Nothman, H. Qin, and R. Yurchak, “Stop Word Lists in Free Open-source Software Packages,” in Proceedings of the Workshop for NLP Open Source Software, pp. 7–12, 2018, doi: 10.18653/v1/W18-2502.
Downloads
Published
Issue
Section
License
Copyright (c) 2026 Jurnal Jaringan dan Teknologi Informasi
This work is licensed under a Creative Commons Attribution-NonCommercial-ShareAlike 4.0 International License.
