Pada utas Twitter, terdapat kecenderungan kemiripan emosi pada tweet penyusun utas yang terdeteksi melalui mesin pendeteksi emosi. Kemiripan emosi dalam rentang waktu yang sebentar disebabkan oleh faktor seperti ritme fisiologis dan psikologis. Akan tetapi, dalam pendeteksian emosi tweet penyusun utas, ditemui perbedaan emosi terdeteksi yang jumlahnya jauh lebih sedikit dibandingkan dengan tweet lain. Hal ini tidak sejalan dengan pengamatan yang menunjukkan emosi yang yang cenderung mirip pada utas Twitter. Perbedaan pendeteksian emosi dapat dianalisa dengan menggunakan pendekatan perilaku pengguna untuk menentukan apakah tweet merupakan anomali dari dari sudut pandang hasil klasifikasi emosi yang terdeteksi relatif terhadap tweet lain. Tweet penyusun utas diklasifikaskan menurut emosi yang tersirat dengan mengimplementasikan model pre-trained IndoBERTweet untuk melalui proses fine-tuning. Kemudian dilakukan pendeteksian anomali pada hasil klasifikasi emosi tweet penyusun utas dengan membuat dan menguji algoritma deteksi anomali berbasis perilaku dan selanjutnya digunakan Mahalanobis distance serta ahli bahasa Indonesia untuk mengevaluasi algoritma deteksi anomali. Ditemukan bahwa jika nilai ambang yang ditetapkan pada algoritma deteksi anomali berbasis perilaku bernilai 0.1, maka persentase tweet penyusun utas yang terevaluasi sebagai anomali oleh Mahalanobis distance adalah sebesar 33%, dan selanjutnya untuk nilai ambang 0.05, 0.025, dan 0.015, persentase tweet penyusun utas yang terdeteksi sebagai anomali oleh algoritma deteksi anomali berturut-turut adalah sebesar 89%, 100%, dan 100%.

Kata kunci: IndoBERTweet, Mahalanobis distance, perilaku pengguna media sosial, utas Twitter.