Analisis Sentimen: Positif, Negatif, atau Netral?
Jika Anda pernah berbelanja secara online, tentu Anda pernah membaca kolom ulasan dari para pembeli sebelumnya. Ulasan-ulasan tersebut biasanya membantu Anda untuk menilai suatu produk, dan akhirnya menentukan apakah Anda akan ikut membelinya atau tidak.
Namun bagaimana jika jumlah ulasannya sangat banyak, mungkin ratusan atau bahkan ribuan? Jika Anda pusing membacanya satu per satu, biarkan mesin yang menganalisisnya untuk Anda!
Mengenal Analisis Sentimen
“Sentiment Analysis, also called Opinion Mining, is the field of study that analyzes people’s opinions, sentiments, evaluations, appraisals, attitudes, and emotions towards entities such as products, services, organizations, individuals, issues, events, topics, and their attributes.” [4]
Analisis Sentimen merupakan salah satu cabang penelitian Text Mining yang menganalisa opini atau nilai sentimen dari suatu dokumen teks, baik keseluruhan dokumen, paragraf, kalimat, atau klausa.
Tipe Analisis Sentimen
Berdasarkan teknik yang digunakan, ada beberapa tipe dalam Analisis Sentimen [3], antara lain:
1. Lexicon Based
Pada tipe Lexicon Based, Analisis Sentimen bekerja dengan menghitung nilai sentimen dari tiap kata yang terdapat dalam suatu teks. Pada tipe ini, diperlukan kamus kata unik (lexicon) dengan bobot sentimen yang diberikan untuk masing-masing kata. Pada umumnya, bobot 1 diberikan untuk kata dengan sentimen positif yang kuat, -1 untuk kata dengan sentimen negatif yang kuat, dan 0 untuk netral. Kemudian bobot dari tiap kata tersebut akan dijumlahkan dan dirata-rata untuk mendapatkan hasil sentimen dalam suatu teks atau kalimat.
Pada tipe ini, sistem akan terpaku pada nilai sentimen dari tiap kata unik. Sebagai contoh, kita memberikan nilai sentimen negatif pada kata “lama”. Maka dengan teknik Lexicon Based, kata “lama” dalam suatu kalimat akan selalu bernilai sentimen negatif.
2. Machine Learning Based
Berbeda dengan tipe Lexicon Based, dengan menggunakan metode Machine Learning, sistem dapat belajar dari data. Pada tipe ini, Analisis Sentimen tidak terpaku pada kata-kata tertentu, namun sistem akan belajar dari data dan memberikan nilai sentimen pada suatu teks berdasarkan hasil pembelajarannya.
Pada tipe ini, sistem bisa saja mengenali suatu kalimat yang mengandung kata “lama” sebagai kalimat positif. Tergantung pada data yang telah dipelajari oleh sistem. Sebagai contoh, kalimat “Produk tahan lama” dapat bernilai sentimen positif walaupun mengandung kata “lama”.
Analisis Sentimen dengan Machine Learning
Pada prosesnya, Analisis Sentimen termasuk ke dalam Supervised Learning dalam metode Machine Learning. Sistem akan mengklasifikasi nilai sentimen berdasarkan hasil pembelajarannya pada data latih (training data). Metode ini juga tidak terlepas dari teknik Natural Language Processing (NLP) agar sistem dapat memahami bahasa alami manusia.
Dengan metode Machine Learning, output yang dihasilkan tidak tertutup pada positif, negatif, dan netral saja. Anda dapat membangun modelnya sesuai kondisi yang diinginkan. Output dapat dikelompokkan menjadi sentimen “sangat positif, positif, netral, negatif, dan sangat negatif”, “marah, senang, dan sedih”, atau yang lainnya.
Sebagai contoh, kali ini kita akan membangun model Analisis Sentimen untuk menganalisis ulasan produk pada situs e-marketplace. Tujuan dari pembangunan model ini yaitu untuk mengklasifikasi ulasan-ulasan dari suatu produk ke dalam kategori positif, negatif, atau netral.
Tahap pertama yaitu mempersiapkan data latih. Pada Analisis Sentimen kali ini, data latih yang digunakan yaitu contoh ulasan-ulasan produk yang telah diberi label nilai sentimen positif, negatif, atau netral.
Tahap selanjutnya yaitu Text Preprocessing [2], merupakan tahap untuk mempersiapkan teks menjadi data yang baik dan dapat diolah pada proses Pembangunan Model.
Data yang telah melalui Text Preprocessing akan digunakan dalam tahap Pembangunan Model atau Training Model. Dalam tahap ini, sistem Analisis Sentimen akan mempelajari data dan mendeteksi pola pada data dengan menggunakan algoritma. Contoh algoritma yang dapat diterapkan pada Analisis Sentimen yaitu algoritma Naive Bayes, Support Vector Machine, atau Neural Network.
Ketika pola telah didapatkan dan Model Analisis Sentimen telah terbentuk, maka dapat dilakukan pengujian dengan memberikan data uji yang ingin dianalisis. Dalam model kali ini, data uji merupakan ulasan yang belum diketahui nilai sentimennya. Kemudian sistem akan memberikan hasil analisisnya berupa klasifikasi ulasan-ulasan data uji ke dalam kategori ulasan positif, negatif, atau netral.
Penerapan Analisis Sentimen
Tidak hanya ulasan pembeli pada situs e-marketplace, teknik Analisis Sentimen juga dapat diterapkan pada konten lainnya yang berbasis teks, seperti status dan komentar pada media sosial atau teks pada situs berita. Kemudian hasil analisis tersebut dapat digunakan sesuai dengan kebutuhan penerapannya, antara lain:
- Brand/Product Reputation Analysis
Merupakan penerapan Analisis Sentimen yang paling umum digunakan. Para pelaku bisnis dapat menganalisis pandangan masyarakat terhadap produk atau jasa mereka melalui ulasan pembeli atau komentar yang dituliskan pada media sosial brand tersebut, sehingga dapat menentukan strategi selanjutnya yang akan digunakan untuk bisnis mereka. - Competitor Analysis
Dalam bidang bisnis, Analisis Sentimen juga dapat digunakan untuk melakukan analisa pesaing dan mengetahui pandangan masyarakat terhadap suatu produk atau jasa yang dikeluarkan oleh kompetitor. - Customer Service Analysis
Analisis Sentimen dapat digunakan untuk menganalisis tiap pesan yang masuk dari pelanggan, dan membantu para pelaku bisnis untuk memprioritaskan pesan mana yang harus dibalas terlebih dahulu, sehingga dapat memberikan layanan pelanggan yang lebih cepat dan efektif. - Trend/Event Analysis
Merupakan Analisis Sentimen yang diterapkan untuk mengetahui pandangan masyarakat terhadap suatu trend atau kejadian yang sedang berlangsung, berdasarkan status atau komentar masyarakat pada media sosial.
Referensi
[1] Collomb, A., Costea, C., Joyeux, D., Hasan, O., & Brunie, L. (2014). A study and comparison of sentiment analysis methods for reputation evaluation. Rapport de recherche RR-LIRIS-2014–002.
[2] Fauzi, M. A. (2016). Text Pre-Processing. http://malifauzi:lecture:ub:ac:id/files/2016/02/Text-Pre-Processing:pdf. Diakses pada 13 Desember 2020.
[3] Kolchyna, O., Souza, T. T., Treleaven, P., & Aste, T. (2015). Twitter sentiment analysis: Lexicon method, machine learning method and their combination. arXiv preprint arXiv:1507.00955.
[4] Liu, B. (2012). Sentiment analysis and opinion mining. Synthesis lectures on human language technologies, 5(1), 1–167.
[5] Reputation.com, The Team (2018). 5 Real-World Sentiment Analysis Use Cases. https://reputation.com/resources/blog/5-real-world-sentiment-analysis-use-cases/. Diakses pada 13 Desember 2020
