CROSS-LINGUAL EMOTION CLASSIFICATION MENGGUNAKAN FINE-TUNING PADA MULTIBAHASA BERBASIS BERT

Emosi menjadi peran penting dalam interaksi manusia sehari-hari, terutama dalam komunikasi dan pengambilan keputusan. Di era digital, media sosial telah menjadi platform utama untuk komunikasi global dan pertukaran informasi. Namun, metode tradisional masih mengalami kesulitan dalam memproses kompleksitas multibahasa, sehingga memerlukan pendekatan pembelajaran mendalam berbasis Transformer. Penelitian ini mengembangkan klasifikasi emosi cross-lingual menggunakan dataset gabungan dari empat bahasa Arab, Spanyol, Inggris, dan Indonesia yang bersumber dari empat sumber berbeda. Fokusnya adalah menganalisis kompleksitas teks multilingual menggunakan model berbasis BERT dan mengevaluasi kinerjanya sebelum dan sesudah fine-tuning. Model yang digunakan mBERT dan XLM-RoBERTa. Pra-pemrosesan data meliputi konversi emoji menjadi teks, penghapusan simbol, normalisasi, tokenisasi, dan padding. Model ini dilatih menggunakan fungsi cross-entropy loss dan bobot kelas untuk mengatasi ketidakseimbangan data, serta teknik early stopping untuk mencegah overfitting. Hasilnya menunjukkan bahwa XLM-RoBERTa mencapai hasil yang sangat baik dengan akurasi 88% dan macro F1-Score 0,87, sedangkan mBERT mencapai akurasi 86% dan macro F1-Score 0,85. Evaluasi cross-lingual menghasilkan akurasi sebesar 97% pada pasangan bahasa Indonesia ke bahasa Inggris menggunakan model mBERT dan 98,44% pada pasangan bahasa Spanyol ke bahasa Indonesia menggunakan model XLM-RoBERTa. Penelitian selanjutnya dapat mengeksplorasi kemampuan adaptive true zero-shot model tanpa pelatihan sebelumnya dengan terlebih dahulu melatih model pada satu bahasa, kemudian mengevaluasi kinerja cross-lingual pada bahasa lain tanpa pelatihan sebelumnya menggunakan kumpulan data multilingual. Kata Kunci: Cross-Lingual, Emosi, Fine-Tuning, mBERT, XLM-RoBERTa