Multitask Auxiliary Learning untuk Prediksi Dimensi Appraisal pada Klasifikasi Emosi Berbasis Teks

Petra Febrianto Liasta, Prof. Dr.-Ing. MHD. Reza M.I. Pulungan, S.Si., M.Sc.

2024 | Tesis | S2 Ilmu Komputer

Analisis emosi berbasis teks dapat dikelompokkan sebagai masalah klasifikasi teks. Analisis emosi bermanfaat dalam interaksi sosial. Seiring perkembangan teori emosi, analisis emosi menggunakan salah satu teori evaluasi emosi, yakni teori appraisal dalam Psikologi. Dalam beberapa penelitian, penggunaan appraisal dimanfaatkan untuk meningkatkan performa klasifikasi emosi.

Salah satu metode yang menghasilkan performa terbaik untuk prediksi appraisal adalah metode fine-tuning. Di lain sisi, beberapa permasalahan dalam Natural Language Processing, performa task terkait dapat ditingkatkan dalam kerangka Multitask Learning, khususnya Multitask Auxiliary Learning yang menggunakan auxiliary task untuk meningkatkan performa task utama.

Penelitian ini bertujuan untuk mengetahui pengaruh Multitask Auxiliary Learning terhadap model prediksi dimensi appraisal. Eksperimen dilakukan dengan mempertimbangkan 7 jenis pembobotan loss, 3 jenis auxiliary task, dan konfigurasi ukuran dataset auxiliary task. Dari berbagai varian, hasil evaluasi menunjukkan Multitask Auxiliary Learning memberi peningkatan performa secara signifikansi statistik pada sebuah varian model. Namun, evaluasi lebih lanjut untuk klasifikasi emosi menunjukkan bahwa peningkatan signifikansi statistik prediksi appraisal dari varian Multitask Auxiliary Learning belum mampu meningkatkan model klasifikasi emosi secara signifikansi statistik.

Text-based emotion analysis can be categorised as a classification problem. Emotion analysis has various benefits in social interactions. Along with the development of emotional theory, emotion analysis uses one of the emotional evaluation theories, namely appraisal theory in psychology. Appraisal theory has been used in several studies to improve emotion classification.

Recently, the best performance for appraisal predictions was performed by fine-tuning. On the other hand, several studies in Natural Language Processing have shown that multitask learning framework, especially Multitask Auxiliary Learning, could improve a single task, which is called the main task, trained together with several tasks, namely auxiliary tasks. 

This study aims to explore the effect of Multitask Auxiliary Learning on the appraisal dimension prediction model. The experiment was conducted by considering 7 types of loss weightings, 3 types of auxiliary tasks, and the size configuration of the auxiliary task dataset. The outcome showed that Multitask Auxiliary Learning succeeded in improving performance with statistical significance, only on a single model among variants. However, further evaluation for emotion classification showed that the increase in the statistical significance  appraisal predictions from the Multitask Auxiliary Learning variant did not improve the emotion classification model statistically.

Kata Kunci : Multitask Auxiliary Learning, Dimensi Appraisal, Analisis Emosi, Pembobotan Loss