Pendahuluan

Dalam era digital, jutaan ulasan pengguna, komentar media sosial, dan opini daring dihasilkan setiap hari. Informasi ini merupakan sumber berharga bagi perusahaan dan peneliti untuk memahami persepsi publik terhadap produk, layanan, atau kebijakan tertentu. Namun, analisis sentimen konvensional yang hanya mengukur emosi positif, negatif, atau netral secara umum sering kali tidak cukup menggambarkan opini pengguna secara detail.

Sebagai solusi, muncul pendekatan yang lebih spesifik dan cerdas yaitu Aspect-Based Sentiment Analysis (ABSA).
Metode ini tidak hanya menilai sentimen keseluruhan, tetapi juga mengidentifikasi aspek-aspek tertentu dari objek yang menjadi sumber opini — misalnya fitur produk, kinerja layanan, atau elemen pengalaman pengguna — untuk menentukan sentimen terhadap masing-masing aspek tersebut.

Source : https://www.computer.org/csdl/journal/tk/2023/11/09996141/1JilSlhiBmU

Apa Itu Aspect-Based Sentiment Analysis (ABSA)?

Aspect-Based Sentiment Analysis (ABSA) adalah cabang dari Sentiment Analysis yang berfokus pada pendeteksian aspek tertentu dalam teks dan menentukan polaritas sentimen terhadap setiap aspek tersebut.

Contoh sederhana:

“Kamera ponsel ini sangat bagus, tapi baterainya cepat habis.”

  • Aspek kamera → positif
  • Aspek baterai → negatif

Berbeda dengan analisis sentimen umum yang hanya mengatakan kalimat di atas “bercampur” atau “netral”, ABSA mampu memberikan pemahaman yang lebih terperinci dan kontekstual terhadap setiap fitur yang dibahas pengguna.

Tujuan dan Manfaat ABSA

Tujuan utama dari ABSA adalah untuk:

  1. Mendeteksi aspek (features atau attributes) yang menjadi subjek opini.
  2. Mengidentifikasi sentimen (positif, negatif, netral) terhadap setiap aspek tersebut.
  3. Menyediakan wawasan terukur dan actionable bagi pengambil keputusan, seperti perusahaan, lembaga publik, atau analis kebijakan.

Manfaat ABSA meliputi:

  • Analisis pelanggan yang lebih spesifik (misalnya, “pelanggan puas dengan tampilan, tapi tidak dengan performa”).
  • Peningkatan kualitas produk berdasarkan keluhan pada aspek tertentu.
  • Pemantauan reputasi merek secara real-time di media sosial.
  • Dukungan untuk sistem rekomendasi dan chatbot berbasis opini.

Prinsip Dasar ABSA

Secara umum, ABSA melibatkan tiga langkah utama:

  1. Aspect Extraction (Ekstraksi Aspek)
    Mengidentifikasi kata atau frasa yang menggambarkan fitur atau karakteristik dari entitas tertentu (misalnya, “layanan”, “harga”, “kamera”).
  2. Sentiment Classification (Klasifikasi Sentimen)
    Menentukan apakah opini terhadap aspek tersebut bersifat positif, negatif, atau netral.
  3. Aspect Aggregation (Agregasi Aspek)
    Mengelompokkan hasil analisis berdasarkan aspek untuk menghasilkan ringkasan sentimen yang komprehensif.

Komponen Utama dalam ABSA

Komponen Penjelasan Contoh
Aspect Term Extraction Menemukan kata/frasa yang mewakili aspek produk atau layanan. “kamera”, “layanan”, “harga”
Opinion Term Extraction Menemukan kata/frasa yang mengekspresikan opini. “bagus”, “cepat”, “buruk”
Sentiment Polarity Detection Mengklasifikasi sentimen yang terkait dengan aspek. positif, negatif, netral
Aspect-Opinion Pairing Menghubungkan aspek dengan opini yang relevan. (“kamera”, “bagus”), (“baterai”, “cepat habis”)
Aggregation and Visualization Meringkas hasil dan menampilkannya dalam bentuk tabel, grafik, atau dashboard. Diagram batang sentimen per fitur

Metode yang Digunakan dalam ABSA

Aspect-Based Sentiment Analysis dapat dilakukan dengan berbagai pendekatan, tergantung pada kompleksitas data dan tujuan analisis:

  1. Pendekatan Berbasis Aturan (Rule-Based)

Menggunakan lexicon atau kamus kata berlabel sentimen untuk menentukan polaritas.
Contoh: menggunakan SentiWordNet atau VADER.

  • Kelebihan: sederhana dan cepat.
  • Kekurangan: sulit menangani konteks atau sarkasme.
  1. Pendekatan Machine Learning

Menggunakan algoritma klasifikasi seperti Naive Bayes, SVM, Logistic Regression, atau Random Forest.
Model dilatih dengan fitur seperti bag-of-words, n-gram, atau TF-IDF untuk menentukan sentimen.

  • Kelebihan: lebih akurat dengan data yang cukup.
  • Kekurangan: memerlukan dataset berlabel.
  1. Pendekatan Deep Learning

Menggunakan arsitektur seperti CNN, LSTM, atau BERT (Bidirectional Encoder Representations from Transformers) untuk memahami konteks kata dalam kalimat.
Model populer seperti ABSA-BERT mampu menangkap hubungan antara aspek dan opini secara lebih semantik.

  • Kelebihan: mampu memahami konteks kompleks.
  • Kekurangan: membutuhkan sumber daya komputasi tinggi.

Contoh Penerapan ABSA

Bidang Contoh Penggunaan
E-commerce Menganalisis ulasan pelanggan untuk menilai kualitas produk per aspek (harga, desain, performa).
Aplikasi Mobile Mengevaluasi aspek seperti usability, performance, dan security dari review pengguna di Play Store.
Pariwisata dan Hotel Mengidentifikasi kepuasan terhadap aspek seperti fasilitas, kebersihan, atau pelayanan staf.
Kesehatan Menilai sentimen pasien terhadap aspek seperti kualitas layanan, waktu tunggu, dan biaya.
Media Sosial Menganalisis opini publik terhadap kebijakan pemerintah berdasarkan aspek tertentu seperti ekonomi, pendidikan, atau kesehatan.

Keunggulan ABSA

  • Analisis opini yang lebih detail dan kaya konteks.
  • Mampu mengungkap kekuatan dan kelemahan spesifik suatu entitas.
  • Berguna untuk pengambilan keputusan strategis.
  • Dapat diintegrasikan dengan sistem visualisasi seperti dashboard interaktif.

Keterbatasan ABSA

  • Proses aspect extraction sering menimbulkan ambiguitas (satu kata dapat merujuk ke aspek berbeda).
  • Membutuhkan dataset besar dan beranotasi manual untuk pelatihan model.
  • Sulit menangani sarkasme, ironi, dan konteks kultural dalam opini.
  • Model deep learning memiliki kompleksitas tinggi dan sulit diinterpretasi.

Contoh Kasus Nyata

Misalkan dilakukan analisis terhadap ulasan aplikasi JKN Mobile, dengan fokus pada tiga aspek utama: usability, performance, dan security (berdasarkan pendekatan GQM – Goal, Question, Metric).
Hasil ABSA menunjukkan:

Aspek Sentimen Positif Sentimen Negatif Insight
Usability 68% 32% Banyak pengguna memuji tampilan aplikasi yang sederhana.
Performance 54% 46% Keluhan muncul terkait kecepatan login dan crash.
Security 71% 29% Sebagian pengguna menganggap data pribadi aman, namun ada kekhawatiran soal OTP.

Dari hasil ini, pengembang dapat fokus memperbaiki performa aplikasi tanpa harus mengubah aspek lain yang sudah memuaskan.

Kesimpulan

Aspect-Based Sentiment Analysis (ABSA) merupakan evolusi penting dalam bidang Natural Language Processing (NLP) yang memungkinkan komputer memahami opini manusia dengan lebih mendalam dan kontekstual.
Dengan mengidentifikasi aspek dan polaritas sentimen secara spesifik, ABSA memberikan wawasan yang lebih tajam dan relevan untuk pengambilan keputusan strategis.

Ke depan, kombinasi ABSA dengan model transformer-based seperti BERT, RoBERTa, atau GPT akan semakin memperkuat kemampuan sistem dalam memahami bahasa alami dan opini manusia di berbagai domain.

“ABSA tidak hanya menjawab apakah pengguna puas, tetapi menjelaskan bagian mana yang membuat mereka puas — atau kecewa.”

 

Penulis

Fiqri Ramadhan Tambunan S.Kom., M.Kom – FDP Scholar

Referensi

  1. Pontiki, M., Galanis, D., Pavlopoulos, J., et al. (2014). SemEval-2014 Task 4: Aspect-Based Sentiment Analysis. Proceedings of the 8th International Workshop on Semantic Evaluation (SemEval 2014).
  2. Liu, B. (2012). Sentiment Analysis and Opinion Mining. Morgan & Claypool Publishers.
    https://www.cs.uic.edu/~liub/FBS/SentimentAnalysis-and-OpinionMining.pdf
  3. Zhang, L., Wang, S., & Liu, B. (2018). Deep Learning for Sentiment Analysis: A Survey. Wiley Interdisciplinary Reviews: Data Mining and Knowledge Discovery.
    https://doi.org/10.1002/widm.1253
  4. Xu, H., Liu, B., Shu, L., & Yu, P. S. (2019). BERT Post-Training for Review Reading Comprehension and Aspect-Based Sentiment Analysis. NAACL-HLT 2019.
    https://aclanthology.org/N19-1242/
  5. Schouten, K., & Frasincar, F. (2016). Survey on Aspect-Level Sentiment Analysis. IEEE Transactions on Knowledge and Data Engineering, 28(3), 813–830.
    https://doi.org/10.1109/TKDE.2015.2485209
  6. Li, X., Bing, L., Lam, W., & Shi, B. (2021). Dual Graph Convolutional Networks for Aspect-Based Sentiment Analysis. Proceedings of ACL 2021.
    https://aclanthology.org/2021.acl-long.248/