Aspect based Sentiment Analysis Aduan Mahasiswa UMSIDA Dimasa Pandemi Menggunakan LSTM

Authors

  • Bayu Anggara Putra ISTTS
  • Yosi Kristian Institut Sains dan Teknologi Terpadu Surabaya
  • Esther Irawati Setiawan Institut Sains dan Teknologi Terpadu Surabaya
  • Joan Santoso Institut Sains dan Teknologi Terpadu Surabaya

DOI:

https://doi.org/10.52985/insyst.v4i1.229

Keywords:

Analisis Sentiment, Deep Learning, Covid-19, Long Short Term Memory, Multi Aspect

Abstract

Banyaknya data aduan Mahasiswa Universitas Muhammadiyah Sidoarjo (UMSIDA) yang terdampak wabah pandemi Covid19, dengan pemberlakuan pembatasan kegiatan masyarakat (PPKM). UMSIDA membentuk sebuah tim yang diberi nama Umsida Covid-19 Command Center (UCCC), dengan tujuan pelaksanaan program pecegahan dan aksi penanganan Covid-19, dengan harapan peneliti ingin mempermudah penyampaian informasi / aduan mahasiswa, khususnya terhadap tim UCCC sebagai bahan pertimbangan dalam melakukan suatu keputusan untuk menghadapi pandemi covid saat ini. Multi aspect sentiment analysis menghadirkan sesuatu yang baru, untuk memahami pendapat dan penilaian pengguna yang diungkapkan secara online. Dengan tujuan untuk mengklasifikasikan teks subjektif dengan memberi label polaritas, Pembentukan representasi vektor kata menggunakan Word Embedding Global Vector (Glove) dilakukan secara kombinasi dengan pelatihan analisis sentiment dengan klasifikasi berbasis Long Short Term Memory (LSTM). Pemodelan aduan mahasiswa dilakukan untuk mendapatkan representasi vektor menggunakan LSTM. Di sini, setiap kata dari kalimat menempati satu langkah pemrosesan LSTM, dan output dari kata terakhir digunakan sebagai ekspresi kalimat. Hasil dari penelitian menggunakan aduan mahasiswa bahasa Indonesia menunjukkan dari multi 3 aspect (ekonomi, pendidikan dan kesehatan) mendapatkan akurasi 82% dan 2 sentiment (positif dan negatif) mendapatkan akurasi 80% dengan demikian didapatkan nilai rata-rata Akurasi 81%. dapat disimpulkan akurasi tersebut bisa digunakan sebagai klasifikasi multi aspect dan sentiment analisis.

References

W. H. Organization and others, “WHO coronavirus disease (COVID-19) dashboard. 2020.” 2020.

“Peraturan Menteri Kesehatan Republik Indonesia Nomor 9 Tahun 2020 Tentang Pedoman Pembatasan Sosial Berskala Besar dalam Rangka Percepatan Penanganan Corona Virus Disease 2019 (Covid-19).” 2020, [Online]. Available: http://hukor.kemkes.go.id/uploads/produk_hukum/PMK_No__9_Th_2020_ttg_Pedoman_Pembatasan_Sosial_Berskala_Besar_Dalam_Penanganan_COVID-19.pdf.

“Mulai 3 Juli, Pemerintah Berlakukan PPKM Darurat di Jawa-Bali,” 2021. https://setkab.go.id/mulai-3-juli-pemerintah-berlakukan-ppkm-darurat-di-jawa-bali/ (accessed Jul. 01, 2021).

M. Al-Smadi, B. Talafha, M. Al-Ayyoub, and Y. Jararweh, “Using long short-term memory deep neural networks for aspect-based sentiment analysis of Arabic reviews,” Int. J. Mach. Learn. Cybern., vol. 10, no. 8, pp. 2163–2175, 2019.

S. M. Mohammad, P. Sobhani, and S. Kiritchenko, “Stance and sentiment in tweets,” ACM Trans. Internet Technol., vol. 17, no. 3, pp. 1–23, 2017.

J. Ebrahimi, D. Dou, and D. Lowd, “A joint sentiment-target-stance model for stance classification in tweets,” in Proceedings of COLING 2016, the 26th international conference on computational linguistics: Technical papers, 2016, pp. 2656–2665.

P. Sobhani, S. Mohammad, and S. Kiritchenko, “Detecting stance in tweets and analyzing its interaction with sentiment,” in Proceedings of the fifth joint conference on lexical and computational semantics, 2016, pp. 159–169.

P. Krejzl, B. Hourová, and J. Steinberger, “Stance detection in online discussions,” arXiv Prepr. arXiv1701.00504, 2017.

A. Aker, L. Derczynski, and K. Bontcheva, “Simple open stance classification for rumour analysis,” arXiv Prepr. arXiv1708.05286, 2017.

G. Zarrella and A. Marsh, “Mitre at semeval-2016 task 6: Transfer learning for stance detection,” arXiv Prepr. arXiv1606.03784, 2016.

A. Zaini, M. A. Muslim, and others, “Pengelompokan artikel berbahasa indonesia berdasarkan struktur laten menggunakan pendekatan self organizing map,” J. Nas. Tek. Elektro dan Teknol. Inf., vol. 6, no. 3, pp. 259–267, 2017.

J. Santoso et al., “Self-Training Naive Bayes Berbasis Word2Vec untuk Kategorisasi Berita Bahasa Indonesia,” J. Nas. Tek. Elektro dan Teknol. Inf., vol. 7, no. 2, pp. 158–166, 2018.

E. I. Setiawan et al., “Analisis Pendapat Masyarakat terhadap Berita Kesehatan Indonesia menggunakan Pemodelan Kalimat berbasis LSTM (Indonesian Stance Analysis of Healthcare News using Sentence Embedding Based on LSTM),” J. Nas. Tek. Elektro dan Teknol. Inf., vol. 9, no. 1, pp. 8–17, 2020.

S. Y. Maw and M. A. Khine, “Aspect based Sentiment Analysis for travel and tourism in Myanmar Language using LSTM,” MERAL Portal, 2019.

J. Gao, R. Yao, H. Lai, and T.-C. Chang, “Sentiment analysis with CNNs built on LSTM on tourists comments,” in 2019 IEEE Eurasia Conference on Biomedical Engineering, Healthcare and Sustainability (ECBIOS), 2019, pp. 108–111.

J. B. Ahire, “Introduction to Word Vectors,” Retrieved March, vol. 12, p. 2018, 2018.

J. Pennington, R. Socher, and C. D. Manning, “Glove: Global vectors for word representation,” in Proceedings of the 2014 conference on empirical methods in natural language processing (EMNLP), 2014, pp. 1532–1543.

S. Hochreiter and J. Urgen Schmidhuber, “LONG SHORT-TERM MEMORY,” Neural Comput., 1997, doi: 10.1162/neco.1997.9.8.1735.

E. Lim, E. I. Setiawan, and J. Santoso, “Stance Classification Post Kesehatan di Media Sosial Dengan FastText Embedding dan Deep Learning,” J. Intell. Syst. Comput., vol. 1, no. 2, pp. 65–73, 2019.

E. Kochkina, M. Liakata, and I. Augenstein, “Turing at semeval-2017 task 8: Sequential approach to rumour stance classification with branch-lstm,” arXiv Prepr. arXiv1704.07221, 2017.

A. D. Tahitoe and D. Purwitasari, “Implementasi modifikasi enhanced confix stripping stemmer untuk bahasa indonesia dengan metode corpus based stemming,” J. Ilm, vol. 12, no. 15, pp. 1–15, 2010.

R. Johnson and T. Zhang, “Semi-supervised convolutional neural networks for text categorization via region embedding,” Adv. Neural Inf. Process. Syst., vol. 28, 2015.

Downloads

Additional Files

Published

2022-04-30

How to Cite

Putra, B. A. ., Kristian, Y., Irawati Setiawan, E., & Santoso, J. (2022). Aspect based Sentiment Analysis Aduan Mahasiswa UMSIDA Dimasa Pandemi Menggunakan LSTM. INSYST: Journal of Intelligent System and Computation, 4(1), 45–54. https://doi.org/10.52985/insyst.v4i1.229