Mengenal Berbagai Metode Analisis Sentimen

Sebelum teknologi pembelajaran mesin menjadi sangat canggih, para peneliti sangat berfokus pada cara-cara untuk mengambil informasi penting dari teks. Sebagai contoh, Feldman mencari cara untuk mengetahui apa yang disukai orang berdasarkan pendapat mereka, dan cara membuat daftar kata-kata menggunakan kamus (Feldman 2013).

Asghar dan timnya mengkaji teknik bahasa (NLP) digunakan untuk mengambil detail penting (feature extraction) berdasarkan part of speech dan term position dari sebuah kalimat, bahkan menggunakan teknik statistik untuk ekstrasi fitur berdasarkan frekuensi kata, dan model Decision Tree, serta teknik-teknik yang menggabungkan part of speech tagging, analisis fitur sintaksis, dan kamus (Asghar et al. 2014).

Koto dan Adriani membandingkan 9 feature set untuk memahami sentimen dalam cuitan Twitter sebelum tahun 2014 (Koto and Adriani 2015). Mereka menemukan bahwa cara terbaik untuk memahami sentimen dalam cuitan adalah dengan menggunakan daftar kata-kata seperti AFINN (a list of English terms used for sentiment analysis manually rated by Finn Årup Nielsen) (Nielsen 2011) dan Senti-Strength (Thelwall et al. 2012).

Taboada melihat bagaimana karakteristik kata-kata dan kalimat-kalimat pola kalimat yang menunjukkan sentimen, memeriksa dari sudut pandang bahasa (Taboada 2016). Dan ada peneliti seperti Schouten dan Frasincar yang memeriksa 15 alat yang digunakan untuk analisis sentimen di web (Schouten and Frasincar 2015). Medhat dan Ravi beserta timnya juga mengevaluasi algoritma-algoritma awal untuk analisis sentimen.

Dalam studi oleh Schouten dan timnya, mereka benar-benar fokus pada studi sentimen pada tingkat yang lebih rinci, seperti melihat bagaimana orang merasakan hal-hal yang berbeda. Mereka memeriksa berbagai cara yang digunakan orang sebelum tahun 2014 seperti teknik analisis sentimen berbasis aspect-level, seperti menghitung kata-kata (frequency-based), mempelajari kalimat (syntax-based), dan menggunakan komputer (supervised dan unsupervised ML) dengan berbagai pendekatan hibrid untuk memahami sentimen. Schouten dan timnya juga menyimpulkan bahwa teknologi terbaru sedang berkembang melewati tahap awal (Schouten and Frasincar 2015). Medhat dkk, (2014), Ravi dkk., (Ravi and Ravi 2015) juga menganalisa sentimen menggunakan algoritma awal.

Saat penelitian tentang analisis sentimen semakin populer dan terjadi kemajuan penting dalam pengembangan teknologi deep learning, para peneliti mulai lebih memperhatikan teknik dan metode analisis sentimen. Terutama, metode Deep Learning menjadi pusat perbincangan di kalangan para peneliti saat ini dan penting dalam bidang ini.

Prabha dan Srikanth melihat berbagai cara komputer bisa belajar mendalam tentang kalimat dan detail perasaan, seperti menggunakan jaringan khusus yang disebut Convolutional Neural Networks (CNN) dan Recurrent Neural Networks (RNN), dan Long Short-term Memory (LSTM)(Prabha and Srikanth 2019). Mereka membicarakan bagian yang baik dan yang kurang bagus dari cara-cara ini dan seberapa baik kinerjanya.

Ain dan timnya membicarakan penggunaan pembelajaran mendalam (Deep Neural Network), CNN, dan Deep Belief Network (DBN) untuk menyelesaikan tugas-tugas analisis sentimen seperti klasifikasi sentimen, masalah-masalah cross-lingual, review produk, dan berbagai masalah, seperti memahami apakah kalimat itu positif atau negatif, bahkan ketika orang berbicara dalam bahasa yang berbeda (Ain et al. 2017).

Zhang dan lainnya mempelajari cara komputer belajar mendalam (Deep Learning) dan teknik Machine Learning untuk analisis sentimen dalam situasi-situasi tertentu, seperti memahami siapa yang berbicara, ekstraksi aspek, kategorisasi, ekstraksi emosi sebuah opini, ekstraksi siapa yang berbicara, data multimodal, analisis sarkasme, dan apakah mereka bersarkasme dan lain sebagainya (Zhang et al. 2018).

Beberapa peneliti, seperti Habimana dan timnya, menguji dan membandingkan kinerja komputer belajar mendalam (Metode Deep Learning) pada kumpulan data tertentu dan mengusulkan bahwa kinerjanya bisa ditingkatkan menggunakan model seperti Bidirectional Encoder Representations from Transformers (BERT), model embedding kata khusus sentimen, model perhatian berbasis kognitif (cognitive-based attention model), dan pengetahuan umum (Habimana et al. 2020). sementara Wang dan rekan-rekannya mengulas dan membahas model analitis yang sudah ada untuk klasifikasi sentimen dan mengusulkan model penginderaan emosi berbasis komputasi (Wang et al. 2020b).

Beberapa peneliti juga membicarakan tentang alat-alat web (Zucco et al. 2020), algoritma Fuzzy (Serrano-Guerrero et al. 2021), model transformer (Acheampong et al. 2021), dan Sequential Transfer Learning (Chan et al. 2022) untuk mempelajari sentimen.

Dari beberapa kajian tersebut diatas dapat disimpulkan, metode-metode analisis sentimen yang berkembang saat ini diantaranya adalah:

• RNN (Recurrent Neural Networks)
• LSTM (Long Short-term Memory)
• CNN (Convolutional Neural Networks)
• DBN (Deep Believe Networks)
• BERT (Bidirectional Encoder Representations from Transformers)
• DNN (Deep Neural Networks)
• Transformer
• STL (Sequential Transfer Learning)

dan banyak lagi yang mungkin belum dibahas disini

Referensi

Feldman R (2013) Techniques and applications for sentiment analysis. Commun ACM 56(4):82–89. https://doi.org/10.1145/2436256.2436274

Asghar MZ, Khan A, Ahmad S, Kundi FM (2014) A review of feature selection techniques in sentiment analysis. J Basic Appl Sci Res 4(3):181–186. https://doi.org/10.3233/IDA-173763

Koto F, Adriani M (2015) A comparative study on Twitter sentiment analysis: Which Features Are Good? In: International conference on applications of natural language to information systems, Springer, Cham, p 453–457. https://doi.org/10.1007/978-3-319-19581-0_46

Nielsen FA (2011) A New ANEW: Evaluation of a Word List for Sentiment Analysis in Microblogs. In: Proceedings of the ESWC2011 workshop on “Making Sense of Microposts”: big things come in small packages, Heraklion, Crete, Greece: CEUR-WS, Aachen, pp 93–98. https://doi.org/10.48550/arXiv.1103.2903

Thelwall M, Buckley K, Paltoglou G (2012) Sentiment strength detection for the social web. J Am Soc Inform Sci Technol 63(1):163–173. https://doi.org/10.1002/asi.21662

Taboada M (2016) Sentiment analysis: an overview from linguistics. Annu Rev Linguist 2:325–347. https://doi.org/10.1146/annurev-linguistics-011415-040518

Schouten K, Frasincar F (2015) Survey on aspect-level sentiment analysis. IEEE Trans Knowl Data Eng 28(3):813–830. https://doi.org/10.1109/TKDE.2015.2485209

Medhat W, Hassan A, Korashy H (2014) Sentiment analysis algorithms and applications: a survey. Ain Shams Eng J 5(4):1093–1113. https://doi.org/10.1016/j.asej.2014.04.011

Ravi K, Ravi V (2015) A survey on opinion mining and sentiment analysis: tasks, approaches and applications. Knowl Based Syst 89:14–46. https://doi.org/10.1016/j.knosys.2015.06.015

Prabha MI, Srikanth GU (2019). Survey of Sentiment Analysis Using Deep Learning Techniques. In: 2019 1st International Conference on Innovations in Information and Communication Technology (ICIICT), IEEE, p 1–9. https://doi.org/10.1109/ICIICT1.2019.8741438

Ain QT, Ali M, Riaz A, Noureen A, Kamranz M, Hayat B et al (2017) Sentiment analysis using deep learning techniques: a review. Int J Adv Comput Sci Appl 8(6):424–433. https://doi.org/10.14569/ijacsa.2017.080657

Zhang L, Wang S, Liu B (2018) Deep learning for sentiment analysis: a survey. Wiley Interdiscip Rev 8(4):e1253. https://doi.org/10.1002/widm.1253

Habimana O, Li Y, Li R, Gu X, Yu G (2020) Sentiment analysis using deep learning approaches: an overview. Sci China Inf Sci 63(1):1–36. https://doi.org/10.1007/s11432-018-9941-6

Wang Z, Ho S-B, Cambria E (2020b) A review of emotion sensing: categorization models and algorithms. Multimed Tools Appl 79(47):35553–35582. https://doi.org/10.1007/s11042-019-08328-z

Zucco C, Calabrese B, Agapito G, Guzzi PH, Cannataro M (2020) Sentiment analysis for mining texts and social networks data: methods and tools. Wiley Interdiscip Rev 10(1):e1333. https://doi.org/10.1002/widm.1333

Serrano-Guerrero J, Romero FP, Olivas JA (2021) Fuzzy logic applied to opinion mining: a review. Knowl Based Syst 222:107018. https://doi.org/10.1016/j.knosys.2021.107018

Acheampong FA, Nunoo-Mensah H, Chen W (2021) Transformer models for text-based emotion detection: a review of BERT-based approaches. Artif Intell Rev 54(8):5789–5829. https://doi.org/10.1007/s10462-021-09958-2

Chan JY-L, Bea KT, Leow SMH, Phoong SW, Cheng WK (2022) State of the art: a review of sentiment analysis based on sequential transfer learning. Artif Intell Rev. https://doi.org/10.1007/s10462-022-10183-8

Sumber

Survey on sentiment analysis: evolution of research methods and topics

https://link.springer.com/article/10.1007/s10462-022-10386-z#Sec2