Seiring perkembangan dunia saat ini, sudah banyak aplikasi atau platform
lagu yang menawarkan pengalaman mendengarkan lagu dengan sensansi yang
bervariasi. Lirik lagu juga dapat membantu memusatkan perhatian pendengar pada
emosi tertentu sehingga penting adanya klasifikasi emosi pada lirik lagu untuk
memudahkan sistem rekomendasi pada aplikasi atau platform lagu dalam
mengelompokkan lagu sesuai dengan emosi yang terkandung di dalamnya.
Penelitian ini bertujuan menguji akurasi metode deep learning Bi-LSTM,
mengidentifikasi dan membandingkan pengaruh word embedding, serta menguji
pengaruh parameter terhadap akurasi dalam klasifikasi emosi pada lirik lagu.
Penelitian ini menggunakan dataset Music Lyrics Kaggle sebanyak 3890
data dengan 8 kategori emosi antara lain angry, depressed, energetic, family,
happy, nature, relax, dan sad serta dataset MoodyLyrics sebanyak 2000 data
dengan 4 kategori emosi antara lain angry, happy, relax, dan sad. Indikator utama
yang digunakan dalam pengujian terdiri dari embedding weights dan embedding
dimension, learning rate, serta epoch.
Berdasarkan hasil pengujian dengan indikator tersebut, akurasi terbaik
yang berhasil diperoleh untuk dataset pertama sebesar 42% dengan embedding
weights dan embedding dimension sebesar 300, learning rate sebesar 0.1, dan
epoch sebesar 40 dan 60. Sedangkan akurasi terbaik yang berhasil diperoleh untuk
dataset kedua sebesar 64% dengan embedding weights dan embedding dimension
sebesar 300, learning rate sebesar 0.1, dan epoch sebesar 40 dan 60. Hasil
pengujian juga menunjukkan bahwa model word embedding GloVe memberikan
hasil yang paling optimal dibandingkan dengan Word2Vec dan FastText.