Penulis: Nelly Indriani Widiastuti; Bagus Perdana Yusuf; Kania Evita Dewi
DOI: 10.1109/INCITEST59455.2023.10396931
Abstrak
Aspect-Based Sentiment Analysis (ABSA) telah berkontribusi dalam memberikan pemahaman yang lebih mendalam terhadap permasalahan yang berkaitan dengan sentimen serta membuka peluang yang lebih luas dalam analisis sentimen. Jumlah aspek pada dataset sering kali tidak seimbang. Hal ini menyebabkan hasil analisis cenderung berpihak pada kelas mayoritas dan mengabaikan kelas minoritas. Penelitian ini menggunakan metode Bi-LSTM untuk mengklasifikasikan aspek dan sentimen karena Bi-LSTM mampu mengatasi permasalahan yang terdapat pada LSTM. Tujuan utama penelitian ini adalah untuk mengevaluasi efektivitas metode Bidirectional Long Short-Term Memory dalam konteks Aspect-Based Sentiment Analysis yang diterapkan pada ulasan aplikasi marketplace serta menangani permasalahan umum dalam pembelajaran mesin terkait dataset yang tidak seimbang. Tahap pra pemrosesan data masukan melibatkan pembentukan representasi kata (word embedding) menggunakan Word2Vec Continuous Bag of Words (CBOW). Dataset pelatihan terdiri atas 2.250 data, sedangkan dataset pengujian berjumlah 750 data. Evaluasi dilakukan melalui analisis komparatif antara metode yang diusulkan (Bi-LSTM+CBOW+ROS) dengan Bi-LSTM+CBOW, Bi-LSTM+CBOW+RUS, dan Bi-LSTM+CBOW+SMOTE. Hasil pengujian menunjukkan bahwa metode yang diusulkan lebih unggul dibandingkan seluruh metode pembanding. Bi-LSTM+CBOW+ROS menghasilkan akurasi tertinggi, yaitu pada aspek usability sebesar 92,40%, dengan precision maksimum 98,03%, recall maksimum 100%, dan f1-score maksimum 98,68%. Aspek usability memperoleh hasil terbaik pada seluruh metode yang diuji. © 2023 IEEE.
Kata kunci penulis
Analisis sentimen berbasis aspek; Bidirectional Long Short-term Memory; Pengambilan Sampel Berlebihan Secara Acak; Word2Vec CBOW
Artikel ini dapat diakses di: https://www.scopus.com/pages/publications/85185201670
