Aspect Based Sentimen Analysis Opini Publik Pada Instagram dengan Convolutional Neural Network

  • Muhammad Arief Rahman ISTTS
  • Herman Budianto
  • Esther Irawati Setiawan
Keywords: Convolutional Neural Network ,Analisis Sentimen, Deep Learning

Abstract

Internet sebagai sarana informasi dan komunikasi sudah sangat dikenal di kalangan masyarakat dalam menawarkan kemudahan dan fleksibilitas yang cukup memadai ketika menjadi media. Oleh karena itu opini publik terhadap Operator Telekomunikasi merupakan hal yang sangat penting untuk dijadikan patokan. Namun, untuk mengevaluasi umpan balik online itu, bukan masalah sederhana. Kadang-kadang ketika menganalisis ulasan online yang berkembang pesat ini, menjadi sulit untuk mengkategorikan apakah opini pelanggan puas atau tidak puas terhadap produk dan layanan. Selain itu, sebagai bagian dari peningkatan kualitas mereka, organisasi seperti jasa ini perlu mengklasifikasikan aspek produk dan layanan yang paling disukai pelanggan. Deep Learning adalah area baru dalam penelitian Machine Learning, yang telah diperkenalkan dengan tujuan menggerakkan Machine Learning lebih dekat dengan salah satu tujuan aslinya yaitu Artificial Intelligence. Deep Learning adalah tentang belajar beberapa tingkat representasi dan abstraksi yang membantu untuk memahami data seperti gambar, suara, dan teks. Convolutional Neural Network adalah salah satu contoh metode Deep Learning. Metode Convolutional Neural Network diharapkan dapat digunakan dalam pengimplementasian opini publik untuk keperluan data training yang dikumpulkan dari beragam data yang dianotasikan kelas sentimennya secara otomatis. Hasil dari penelitian menunjukkan dari 4 aspek dan 3 sentimen maka didapatkan nilai rata-rata precision, recall, dan f1-score adalah precision  97.6%, recall 84%, f1-score 90.3%. Bisa disimpulkan score representation ini dapat digunakan untuk klasifikasi sentimen.

References

[1] A. A. Lutfi, A. E. Permanasari, and S. Fauziati, “Corrigendum: Sentiment Analysis in the Sales Review of Indonesian Marketplace by Utilizing Support Vector Machine,” J. Inf. Syst. Eng. Bus. Intell., vol. 4, no. 2, p. 169, 2018, doi: 10.20473/jisebi.4.2.169.
[2] S. Yu, “40 ~ 50대 사용자 유입을 위한 인스타그램 사용성 개선에 관한 연구 A Study on Usability Improvement of Instagram for Users in their 40s and 50s,” vol. 9, no. 9, pp. 177–182, 2018.
[3] J. Mander, “GWI Social Summary,” GWI white Pap., pp. 1–9, 2015, [Online]. Available: http://www.globalwebindex.net/hubfs/Reports/GWI_Social_Report_-_Q3_2015_Summary.pdf?t=1453306719920&utm_campaign=Insight+Reports&utm_source=hs_automation&utm_medium=email&utm_content=22078263&_hsenc=p2ANqtz-8p_-_sZV7ZRvXkSeZW3f0npXAeby-hKYHmWQbDg5Zs2IYNqh.
[4] E. Alshawaf and L. Wen, “Understanding digital reputation on Instagram: A case study of social media mavens,” Proc. 2nd Eur. Conf. Soc. Media ECSM 2015, no. July, pp. 19–27, 2015, [Online]. Available: https://www.researchgate.net/publication/280599140_Understanding_Digital_Reputation_on_Instagram_A_Case_Study_of_Social_Media_Mavens?enrichId=rgreq-22fe062f9b4f4f2eefe67fe263c89dbb-XXX&enrichSource=Y292ZXJQYWdlOzI4MDU5OTE0MDtBUzoyNjM4Nzg3ODUzNjgwNjRAMTQzO.
[5] J. Jong, “Predicting Rating with Sentiment Analysis,” pp. 1–5, 2011.
[6] B. Agarwal, N. Mittal, P. Bansal, and S. Garg, “Sentiment analysis using common-sense and context information,” Comput. Intell. Neurosci., vol. 2015, 2015, doi: 10.1155/2015/715730.
[7] U. T. Gürsoy, “Social Media Mining and Sentiment Analysis for Brand Management,” pp. 497–511, 2017.
[8] C. Fiarni, H. Maharani, and R. Pratama, “Sentiment analysis system for Indonesia online retail shop review using hierarchy Naive Bayes technique,” 2016 4th Int. Conf. Inf. Commun. Technol. ICoICT 2016, vol. 4, no. c, 2016, doi: 10.1109/ICoICT.2016.7571912.
[9] Y. Kim, “Convolutional Neural Networks for Sentence Classification,” 2014, doi: 10.3115/v1/D14-1181.
[10] A. Mandelbaum and A. Shalev, “Word Embeddings and Their Use In Sentence Classification Tasks,” 2016, [Online]. Available: http://arxiv.org/abs/1610.08229.
[11] T. Mikolov, K. Chen, G. Corrado, and J. Dean, “Efficient Estimation of Word Representations in Vector Space,” pp. 1–12, 2013, doi: 10.1162/153244303322533223.
[12] H. Cui, Y. Lin, and T. Utsuro, “Sentiment Analysis of Tweets by CNN utilizing Tweets with Emoji as Training Data,” 2018, [Online]. Available: http://www.cl.ecei.tohoku.ac.jp/~m-suzuki/jawiki_vector/.
[13] E. Cambria, S. Poria, D. Hazarika, and K. Kwok, “SenticNet 5: Discovering Conceptual Primitives for Sentiment Analysis by Means of Context Embeddings,” in Association for the Advancement of Artificial Intelligence, 2018, doi: http://dx.doi.org/10.1016/j.ijporl.2014.01.009.
[14] D. Ekawati and M. L. Khodra, “Aspect-based sentiment analysis for Indonesian restaurant reviews,” Proc. - 2017 Int. Conf. Adv. Informatics Concepts, Theory Appl. ICAICTA 2017, 2017, doi: 10.1109/ICAICTA.2017.8090963.
[15] Jayesh Bapu Ahire, “Introduction to Word Vectors.” https://medium.com/@jayeshbahire/introduction-to-word-vectors-ea1d4e4b84bf (accessed Jan. 09, 2019).
[16] L. Li, L. Xiao, N. Wang, G. Yang, and J. Zhang, “Text classification method based on convolution neural network,” 2017 3rd IEEE Int. Conf. Comput. Commun. ICCC 2017, vol. 2018-Janua, pp. 1985–1989, 2018, doi: 10.1109/CompComm.2017.8322884.
Published
2020-07-15