Deteksi Emosi Masyarakat Tentang Penyakit Gagal Ginjal Akut Dengan Metode Emolex Dan Logistic Regression
DOI:
https://doi.org/10.29407/zbz76535Abstract
Penelitian ini bertujuan untuk mendeteksi emosi masyarakat terhadap isu penyakit gagal ginjal akut dengan menggabungkan pendekatan leksikal berbasis EmoLex dan algoritma klasifikasi Logistic Regression. Data dikumpulkan dari media sosial Youtube tvOneNews. Setelah dilakukan tahap praproses data teks, setiap unggahan dipetakan ke dalam kategori emosi seperti marah, takut, sedih, dan lain-lain menggunakan leksikon NRC EmoLex. Selanjutnya, algoritma Logistic Regression digunakan untuk mengklasifikasikan emosi dominan berdasarkan fitur teks. Hasil penelitian menunjukkan bahwa emosi dominan yang muncul dalam diskusi publik adalah marah dan antisipasi, yang mencerminkan kekecewaan dan kewaspadaan masyarakat terhadap meningkatnya kasus gagal ginjal akut. Akurasi model mencapai 80%, dengan nilai precision dan recall tertinggi pada kategori emosi antisipasi dan marah. Penelitian ini memberikan gambaran awal tentang persepsi emosional masyarakat dalam isu krisis kesehatan, dan dapat dimanfaatkan oleh pemerintah atau lembaga kesehatan sebagai dasar pengambilan keputusan dalam strategi komunikasi publik.
Keywords:
Analisis Sentimen, Deteksi Emosi, EmoLex, Logistic Regression, Penyakit gagal ginjal akut##plugins.themes.default.displayStats.downloads##
References
[1] A. N. Rohman, E. Utami, and S. Raharjo, “Deteksi Kondisi Emosi pada Media Sosial Menggunakan Pendekatan Leksikon dan Natural Language Processing,” J. Eksplora Inform., vol. 9, no. 1, pp. 70–76, Sep. 2019, doi: 10.30864/EKSPLORA.V9I1.277.
[2] A. Hamzah and R. Y. Ariyana, “Klasifikasi Emosi Berbasis Emolex dari Komentar Evaluasi Akademik Mahasiswa,” Techno.Com, vol. 23, no. 2, pp. 455–466, May 2024, doi: 10.62411/TC.V23I2.10058.
[3] M. Syauqi, A. Wijaya, W. Samudra, M. F. Z. F, A. G. Wp, and A. D. Kalifia, “KLASIFIKASI EMOSI PADA LIRIK LAGU MENGGUNAKAN ALGORITMA NAÏVE BAYES,” Sci. J. Ilm. Sains dan Teknol., vol. 3, no. 3, pp. 387-392–387–392, Jan. 2025, Accessed: Jun. 03, 2025. [Online]. Available: https://jurnal.researchideas.org/index.php/scientica/article/view/182
[4] I. Made et al., “Analisis Sentimen Berbasis Aspek dan Deteksi Emosi dari Ulasan Timnas Indonesia di Instagram,” JOINTECOMS (Journal Inf. Technol. Comput. Sci., vol. 4, no. 4, pp. 273–284, Dec. 2024, doi: 10.47111/JOINTECOMS.V4I4.10792.
[5] R. Nisa Sofia Amriza, D. Supriyadi, P. DI Jl Panjaitan No, K. Purwokerto Selatan, K. Banyumas, and J. Tengah, “Komparasi Metode Machine Learning dan Deep Learning untuk Deteksi Emosi pada Text di Sosial Media,” J. JUPITER, vol. 13, no. 2, pp. 130–139.
[6] S. F. Pane, F. Abdullah, and R. Habibi, “DETEKSI EMOSI PADA TEKS BERBAHASA INDONESIA MENGGUNAKAN PENDEKATAN ENSEMBLE,” JTT (Jurnal Teknol. Ter., vol. 10, no. 2, pp. 80–90, Oct. 2024, doi: 10.31884/JTT.V10I2.551.
[7] M. Furqan, S. Sriani, and M. N. Shidqi, “Chatbot Telegram Menggunakan Natural Language Processing,” Walisongo J. Inf. Technol., vol. 5, no. 1, pp. 15–26, Jun. 2023, doi: 10.21580/WJIT.2023.5.1.14793.
[8] F. N. Zaman, M. A. Fadhilah, M. A. Ulinuha, and K. Umam, “MENGANALISIS RESPONS NETIZEN TWITTER TERHADAP PROGRAM MAKAN SIANG GRATIS MENERAPKAN NLP METODE NAIVE BAYES,” Just IT J. Sist. Informasi, Teknol. Informasi, dan Komput., vol. 14, no. 3, pp. 201–208, May 2024, doi: 10.24853/JUSTIT.14.3.201-208.
[9] M. U. Albab, Y. K. P., and M. N. Fawaiq, “Optimization of the Stemming Technique on Text Preprocessing President 3 Periods Topic,” J. Transform., vol. 20, no. 2, pp. 1–12, Jan. 2023, doi: 10.26623/TRANSFORMATIKA.V20I2.5374.
[10] S. M. Mohammad and P. D. Turney, “Crowdsourcing a word-emotion association lexicon,” Comput. Intell., vol. 29, no. 3, pp. 436–465, Aug. 2013, doi: 10.1111/J.1467-8640.2012.00460.X;WGROUP:STRING:PUBLICATION.
[11] R. Artikel, D. Caesy, R. #1, S. Khomsah, Y. Fathoni, and #3, “Emotions Analysis of Tourist Using Lexicon Text Analysis,” J. Tek. Inform. dan Sist. Inf., vol. 10, no. 1, pp. 13-27–13 – 27, May 2024, doi: 10.28932/JUTISI.V10I1.6690.
[12] D. Nasien et al., “Perbandingan Implementasi Machine Learning Menggunakan Metode KNN, Naive Bayes, dan Logistik Regression Untuk Mengklasifikasi Penyakit Diabetes,” JEKIN - J. Tek. Inform., vol. 4, no. 1, pp. 10–17, Feb. 2024, doi: 10.58794/JEKIN.V4I1.640.
Downloads
Published
Issue
Section
License
Copyright (c) 2025 Wildan Gistra Irngamsyah, Risa Helilintar, Lilia Sinta Wahyuniar
This work is licensed under a Creative Commons Attribution-ShareAlike 4.0 International License.
Authors who publish with this journal agree to the following terms:
- Copyright on any article is retained by the author(s).
- The author grants the journal, right of first publication with the work simultaneously licensed under a Creative Commons Attribution License that allows others to share the work with an acknowledgment of the work’s authorship and initial publication in this journal.
- Authors are able to enter into separate, additional contractual arrangements for the non-exclusive distribution of the journal’s published version of the work (e.g., post it to an institutional repository or publish it in a book), with an acknowledgment of its initial publication in this journal.
- Authors are permitted and encouraged to post their work online (e.g., in institutional repositories or on their website) prior to and during the submission process, as it can lead to productive exchanges, as well as earlier and greater citation of published work.
- The article and any associated published material is distributed under the Creative Commons Attribution-ShareAlike 4.0 International License
