ABSTRAK

ASRIADI, Optimasi Hyperparameter Bi-LSTM Dengan Bayesian Optimization Untuk Klasifikasi Emosi Pada Twitter (dibimbing oleh Muhammad Arafah dan Febri Hidayat Saputra).

Metode optimasi konvensional seperti Random Search pada klasifikasi emosi teks dinilai kurang efisien dan sering menghasilkan akurasi yang tidak konsisten. Itulah sebabnya, peneliti menerapkan Bayesian Optimization untuk mengoptimalkan hyperparameter pada model Bi-LSTM guna mengatasi permasalahan tersebut. Penelitian ini bertujuan untuk meningkatkan performa akurasi dan efisiensi komputasi model klasifikasi emosi pada teks Twitter berbahasa Indonesia. Data penelitian diperoleh melalui studi pustaka dan pengumpulan tweet menggunakan Twitter API v2.. Metode yang digunakan adalah pra-pemrosesan teks untuk normalisasi bahasa informal, ekstraksi fitur menggunakan Word2Vec, serta eksperimen pelatihan model Bi-LSTM di mana parameter optimal ditentukan secara otomatis oleh algoritma Bayesian Optimization. Hasil penelitian menunjukkan bahwa model yang dikembangkan mencapai akurasi 100% pada dataset utama sebanyak (3.185 tweet) dan 97,14% pada dataset uji generalisasi sebanyak (5.000 tweet). Hal ini menunjukkan bahwa metode yang diusulkan jauh lebih unggul dibandingkan pendekatan Random Search sebelumnya dalam menyelesaikan masalah klasifikasi emosi.

Kata Kunci : Bi-LSTM, Bayesian Optimization, Klasifikasi Emosi, Twitter, Deep Learning.