Uji Akurasi Klasifikasi Emosi Pada Lirik Lagu Bahasa Indonesia
DOI:
https://doi.org/10.26418/justin.v10i3.56804Keywords:
Klasifikasi Emosi, Lirik Lagu, Tuning Hyperparameter, Multi Class Support Vector Machine, Particle Swarm OptimizationAbstract
Dengan banyaknya lagu pada saat ini, semakin sulit untuk menentukan emosi pada lagu oleh manusia, karena permasalahan tersebut maka dibutuhkan suatu model klasifikasi menggunakan text classification. Berdasarkan permasalahan tersebut, maka pada penelitian ini akan mengimplementasikan metode Multi Class Support Vector Machine (SVM) dengan Particle Swarm Optimization (PSO) sebagai tuning hyperparameter dan membandingkan pengaruh dari 3 dataset (perbaris, perbait dan keseluruhan lagu) pada kasus pengklasifikasian emosi lirik lagu. Pada kasus ini terdapat 5 emosi dasar manusia antara lain cinta (love), senang (happy), marah (anger), takut (fear), dan sedih (sadness). Dari hasil penelitian yang dilakukan, metode multi class SVM dan tuning hyperparameter PSO serta penggunaan dataset perbaris menjadi model dengan nilai accuracy terbaik yaitu sebesar 92,13%. Penggunaan tuning hyperparameter PSO akan lebih berpengaruh jika digunakan pada dataset perbaris, dengan melihat nilai accuracy yang meningkat sebesar + 3,32%. Penelitian ini juga berhasil mengimplementasikan klasifikasi emosi, sehingga dapat mengklasifikasikan kelas emosi dari teks lirik lagu berbahasa Indonesia.References
Lailatul Izzah, “Pengaruh Mendengarkan MusikTerhadap Mood Belajar Pada Mahasiswa Manajemen Dakwah UIN Suska Riau,†Nathiqiyyah, vol. 03, no. 01, 2020.
F. S. Sinaga, Indriati, and B. Rahayudi, “Klasifikasi Emosi Lirik Lagu menggunakan Improved K-Nearest Neighbor dengan Seleksi Fitur dan BM25,†J. Pengemb. Teknol. Inf. dan Ilmu Komput., vol. 8, no. 3, pp. 5697–5702, 2019.
Z. Pentury, “Nilai Motivasi Dalam Lirik Lagu Pop Indonesia (Kajian Semantik),†Arbitrer, J. Pendidik. Bhs. dan Sastra Indones., vol. 2, no. 3, pp. 381–394, 2020.
Sulkifli and Marwati, “Kemampuan Menulis Puisi Siswa Kelas Viii Smp Negeri Satu Atap 3 Langgikima Kabupaten Konawe Utara,†J. Bastra, vol. 1, no. 1, pp. 1–22, 2016.
P. R. Shaver, U. Murdaya, and R. C. Fraley, “Structure of the Indonesian emotion lexicon,†pp. 201–224, 2001.
I. D. Abirawa, A. B. Osmond, and C. Setianingsih, “Klasifikasi Emosi Pada Lirik Lagu Menggunakan Metode Support Vector Machine,†E-proceeding Eng., vol. 5, no. 3, pp. 6203–6209, 2018.
C. I. Salekhah, “Implementasi Metode Multi Class Support Vector Machine Untuk Klasifikasi Emosi Pada Lirik Lagu Bahasa Indonesia,†2016.
E. N. Azizah and E. Rainarli, “Support Vector Machine Dan Information Gain Untuk Klasifikasi Emosi Pada Lirik Lagu,†2019.
V. K. S. Que, A. Iriani, and H. D. Purnomo, “Analisis Sentimen Transportasi Online Menggunakan Support Vector Machine Berbasis Particle Swarm Optimization,†J. Nas. Tek. Elektro dan Teknol. Inf., vol. 9, no. 2, pp. 162–170, 2020, doi: 10.22146/jnteti.v9i2.102.
D. Suyanto, Data mining untuk klasifikasi dan klasterisasi data, Edisi Revi. Bandung: Informatika Bandung, 2019.
D. Alita, Y. Fernando, and H. Sulistiani, “Implementasi Algoritma Multiclass Svm Pada Opini Publik Berbahasa Indonesia Di Twitter,†J. Tekno Kompak, vol. 14, no. 2, p. 86, 2020, doi: 10.33365/jtk.v14i2.792.
E. E. Pratama and B. R. Trilaksono, “Klasifikasi Topik Keluhan Pelanggan Berdasarkan Tweet dengan Menggunakan Penggabungan Feature Hasil,†J. Edukasi dan Penelit. Inform., vol. 1, no. 2, pp. 53–59, 2015.
S. A. Saputra, D. Rosiyadi, W. Gata, and S. M. Husain, “Analisis Sentimen E-Wallet Pada Google Play Menggunakan Algoritma Naive Bayes Berbasis Particle Swarm Optimization,†J. RESTI (Rekayasa Sist. dan Teknol. Informasi), vol. 3, no. 3, pp. 377–382, 2019.
Lester James V. Miranda, “PySwarms Documentation,†2017. https://pyswarms.readthedocs.io/en/latest/api/pyswarms.single.html (accessed Mar. 11, 2022).
A. P. Piotrowski, J. J. Napiorkowski, and A. E. Piotrowska, “Population size in Particle Swarm Optimization,†Swarm Evol. Comput., vol. 58, p. 100718, 2020, doi: 10.1016/j.swevo.2020.100718.
R. Siringoringo, “Klasifikasi Data Tidak Seimbang Menggunakan Algoritma SMOTE dan k-Nearest Neighbor,†J. ISD, vol. 3, no. 1, pp. 44–49, 2018.
Downloads
Published
Issue
Section
License
Copyright (c) 2022 JUSTIN (Jurnal Sistem dan Teknologi Informasi)
This work is licensed under a Creative Commons Attribution-NonCommercial-ShareAlike 4.0 International License.
The author owns the copyright in his paper and agrees to publish his paper to JUSTIN by giving the rights to the first publication of his paper which is simultaneously licensed under the Creative Commons Attribution License, namely the Similar International 4.0 license (CC BY-NC-SA 4.0).
This is a human-readable summary of (and not a substitute for) the license. Disclaimer.
You are free to:Share "” copy and redistribute the material in any medium or format
Adapt "” remix, transform, and build upon the material
The licensor cannot revoke these freedoms as long as you follow the license terms.
Under the following terms:
Attribution "” You must give appropriate credit, provide a link to the license, and indicate if changes were made. You may do so in any reasonable manner, but not in any way that suggests the licensor endorses you or your use.
NonCommercial "” You may not use the material for commercial purposes.
ShareAlike "” If you remix, transform, or build upon the material, you must distribute your contributions under the same license as the original.
No additional restrictions "” You may not apply legal terms or technological measures that legally restrict others from doing anything the license permits.
Notices:
You do not have to comply with the license for elements of the material in the public domain or where your use is permitted by an applicable exception or limitation.
No warranties are given. The license may not give you all of the permissions necessary for your intended use. For example, other rights such as publicity, privacy, or moral rights may limit how you use the material.
