2020 : Analisis Sentimen pada Level Aspek terhadap Opini Publik di Media Sosial dengan Arsitektur Deep Learning Berbasis Attention

Renny Pradina Kusumawardani ST., MT.

Year

2020

Published in

-

External link

Type

RESEARCH

Keywords

-


Abstract

Jumlah pengguna Internet di Indonesia dari tahun ke tahun semakin meningkat. Sebagian besar dari penggunaan Internet tersebut adalah untuk berinteraksi di media sosial, dimana masyarakat mengungkapkan pikiran maupun pandangannya. Hal tersebut tentunya dapat menjadi masukan terhadap pihak-pihak yang terkait. Sebagai contoh, dalam ranah politik, opini masyarakat dapat menjadi indikator mengenai dinamika di masyarakat dan hal-hal apa yang sebetulnya menjadi harapan. Contoh lain adalah dalam ulasan objek-objek wisata, yang mana pariwisata merupakan salah satu sumber penggerak ekonomi yang penting di Indonesia. Untuk itu, adalah penting untuk dapat mengukur tingkat minat masyarakat terhadap objek-objek wisata yang ada, sehingga dapat dijadikan masukan terhadap baik pemerintah maupun pengusaha untuk dapat membenahi diri dalam menata sektor tersebut. Mengingat besarnya jumlah data yang tersedia, adalah tidak mungkin untuk menganalisis secara manual data-data yang berupa opini publik tersebut, sehingga diperlukan teknik yang berbasis komputasi, dalam hal ini analisis sentimen. Analisis tersebut secara klasik diterapkan terhadap keseluruhan teks yang menjadi masukannya. Sebagai contoh, suatu cuitan dapat dikategorikan sebagai mengandung sentimen positif, negatif, ataupun netral. Namun, seringkali terdapat lebih dari satu aspek yang dibahas pada suatu ujaran di media sosial, dengan kandungan sentimen yang berbeda. Untuk itu, pada penelitian ini dikembangkan analisis sentimen yang dilakukan pada level aspek, sehingga setiap aspek dalam suatu ujaran dapat digolongkan sentimennya secara lebih spesifik. Hal ini memberikan tantangan, yaitu bagaimana mengenali bahwa bagian tertentu pada suatu ujaran relevan untuk suatu aspek tertentu, dan bagian lain relevan untuk aspek lainnya. Penelitian ini akan mengeksplorasi berbagai arsitektur deep learning yang berbasis attention, suatu teknik yang akhir-akhir ini banyak mendapat perhatian dari peneliti di komunitas NLP internasional karena dapat mengkaitkan secara lebih spesifik bagian-bagian yang relevan dari suatu teks. Contoh spesifik dari metode tersebut yang akan dieksplorasi pada penelitian ini adalah Recurrent Attention Network on Memory (RAM) dan Hierarchical Attention Position-aware network (HAPN). Metode RAM menggunakan attention yang berfungsi agar model lebih memperhatikan konteks dari suatu target kalimat. Dengan penggunaan attention, metode ini dapat mempersatukan informasi yang penting sebagai fitur dari sebuah kalimat, dan kemudian membuat kesimpulan dari informasi tersebut. Metode RAM dapat menyelesaikan masalah sebelumnya pada metode LSTM yang mempunyai kekurangan dalam menangkap fitur yang jauh dari target, karena metode LSTM perlu untuk melakukan propagasi fitur kata demi kata sampai ke target. Sehingga metode LSTM membutuhkan memori dan komputasi dalam jumlah besar. Nantinya, performa pada model RAM akan dibandingkan dengan LSTM untuk dilakukan analisis performa sehingga dapat diketahui model terbaik untuk melakukan analisis sentimen teks pada kasus politik di Indonesia. Metode HAPN merupakan metode yang berdasarkan pada Bi-GRU dalam melakukan analisis sentimen. Berdasarkan penelitian yang telah dilakukan sebelumnya menggunakan korpus Bahasa Inggris, model ini mampu mencapai hasil evaluasi yang lebih baik bila dibandingkan dengan LSTM. Sehingga metode HAPN juga akan dievaluasi performanya dalam melakukan analisis sentimen teks pada kasus politik di Indonesia. Hasil dari penelitian ini adalah didapatkannya hasil analisis sentimen level aspek pada objek politik yang lebih baik. Dengan didapatkannya hasil yang lebih baik, pendeteksian terhadap sentimen topik politik dengan Bahasa Indonesia menjadi lebih akurat. Penelitian ini juga mampu untuk memperkaya publikasi ilmiah pada bidang Natural Language Processing (NLP) untuk Bahasa Indonesia.