Penelitian ini menerapkan teori ketidakpastian untuk mengatasi ambiguitas pada pengenalan emosi multimodal teks dan ucapan. Dalam mengatasi epistemic uncertainty, dilakukan eksplorasi terhadap beragam konfigurasi model yang mencakup feature extractor, durasi, panjang token, serta classifier head untuk memastikan pembelajaran data yang optimal. Eksperimentasi tersebut disertai juga dengan eksplorasi berbagai strategi resampling serta kombinasi teknik augmentasi untuk memperkaya volume dan variasi data pembelajaran, yang kemudian dimaksimalkan melalui hyperparameter tuning. Dalam mengatasi aleatoric uncertainty, penelitian ini mengusulkan optimalisasi fusi dinamis melalui pembobotan berbasis estimasi ketidakpastian Monte Carlo Dropout. Optimalisasi dilakukan dengan menguantifikasi nilai ketidakpastian pada data input setiap modalitas secara langsung menggunakan berbagai metrik ketidakpastian. Dengan ini, sistem secara adaptif mampu memberikan bobot yang pantas untuk mengatasi modalitas yang ambigu. Eksperimentasi membuktikan bahwa optimasi konfigurasi model serta penggunaan strategi resampling Stacked dengan beragam teknik augmentasi mampu memperdalam pemahaman model melalui volume dan variasi data yang lebih kaya. Pada pendekatan unimodal, meskipun nilai Macro-F1 cenderung stabil, reliabilitas dalam bentuk NLL dan ECE berhasil tereduksi pada kedua modalitas. Pada pendekatan multimodal, seluruh pendekatan Monte Carlo Dropout mengungguli baseline. Pembobotan menggunakan Predictive Entropy memiliki keandalan terbaik dengan nilai NLL 0,6065 dan ECE 0,0276, yang masing-masing merupakan reduksi sebesar 2,05% dan 50% dibandingkan Probability Averaging. Sementara itu, Mutual Information meraih performa klasifikasi tertinggi dengan nilai Macro-F1 setinggi 77,91%, serta NLL dan ECE pada 0,6091 dan 0,0325, yang merupakan reduksi sebesar 1,63% dan 41,12% dibanding Probability Averaging. Secara keseluruhan, penelitian ini menitikberatkan perspektif ketidakpastian sebagai panduan untuk menciptakan sistem dengan performa, keandalan, serta kepercayaan yang optimal.