Electronic Theses and Dissertation

Platform media sosial saat ini membentuk wadah dimana berita dapat lebih mudah ditemukan dan menarik perhatian individu. Pada media sosial, masyarakat dapat memberikan komentar-komentar terhadap berita yang telah dibaca. Pemahaman terhadap emosi yang mengiringi komentar-komentar yang telah diberikan pengguna pada postingan berita dapat membantu memahami bagaimana berita tersebut diserap, diinterpretasi, dan direspons oleh publik. Penelitian ini bertujuan untuk mendeteksi emosi pada komentar berita di media sosial dengan menggunakan pre-trained model IndoBERT dan IndoBERTweet serta mengeksplorasi dampak penggunaan tahapan preprocessing khususnya remove stopwords dan stemming pada kedua model tersebut. Penelitian ini melalui tujuh tahapan yaitu pengumpulan data, pelabelan data (marah, senang, takut, dan sedih), preprocessing, split dataset, tokenisasi, fine-tuning, dan evaluasi model. Hasil penelitian menunjukkan bahwa model indoBERTweet menghasilkan akurasi yang lebih baik dibandingkan dengan model indoBERT yaitu sebesar 88.28% untuk data yang melalui tahapan remove stopwords dan stemming serta 92.54% untuk data yang tidak melalui tahapan remove stopwords dan stemming.

Kata Kunci: Deteksi Emosi, Media Sosial, IndoBERT, IndoBERTweet

The current social media platforms have shaped a space where news can be more easily discovered and capture individuals' attention. On social media, people can provide comments on the news they have read. Understanding the emotions that accompany the comments that users have given on news posts can help understand how the news is absorbed, interpreted, and responded to by the public. This research aims to detect emotions in news comments on social media using pre-trained models IndoBERT and IndoBERTweet and explore the impact of using preprocessing stages, especially removing stopwords and stemming on these two models. This research went through seven stages, namely data collection, data labeling (anger, happiness, fear, and sadness), preprocessing, split dataset, tokenization, fine-tuning, and model evaluation. The research results show that the IndoBERTweet model performs better accuracy compared to the indoBERT model, achieving an accuracy of 88.28% for data that underwent the remove stopwords and stemming steps and 92.54% for data that did not undergo these preprocessing steps. Keywords: Emotion Detection, Social Media, IndoBERT, IndoBERTweet