Analisis Sentimen Pada Aspek Dan Opini Yang Eksplisit Dan Implisit Untuk Ulasan Restoran

Suhariyanto, Suhariyanto (2025) Analisis Sentimen Pada Aspek Dan Opini Yang Eksplisit Dan Implisit Untuk Ulasan Restoran. Doctoral thesis, Institut Teknologi Sepuluh Nopember.

Text 05111860010009-Dissertation.pdf - Accepted Version Restricted to Repository staff only Download (2MB) | Request a copy

Abstract

Ulasan implisit dapat berupa ulasan dengan aspek implisit atau ulasan dengan opini implisit. Pemahaman jenis ulasan implisit perlu dianalisis secara mendalam sehingga teknik ekstraksi yang dikembangkan dapat menangkap term implisit dengan baik. Hal tersebut menjadi tantangan dalam analisis sentiment berdasarkan aspek karena sebuah ulasan implisit tentunya dapat terdiri dari berbagai macam jenis kalimat. Ulasan implisit tidak hanya berupa suatu kalimat pendek tetapi juga dapat berupa kalimat yang panjang, tidak hanya terdiri dari satu pasang aspek dan opini tetapi juga dapat terdiri dari beberapa pasang aspek dan opini yang eksplisit dan implisit. Berdasarkan permasalahan tersebut, penelitian ini mengusulkan Metode ABSA dengan natural language understanding yang digunakan untuk ulasan implisit berdasarkan struktur kalimat dan kata. Pada tahap ekstraksi teks, metode usulan dilakukan menggunakan aturan algoritma machine learning dengan pemahaman mendalam tentang berbagai jenis kalimat dan kata. Selanjutnya, kategori aspek setiap tinjauan ditentukan dengan mengukur kesamaan kata antara istilah aspek yang terkandung dalam setiap tinjauan dan kata kunci aspek yang diekstrak dari Wikipedia. BERT embedding dan Semantic similarity digunakan untuk mengukur nilai kesamaan antar kata. Selain itu, metode ABSA yang diusulkan menggunakan BERT, leksikon hibrida, dan pembobotan istilah opini. Tujuan dari leksikon hibrida dan pembobotan istilah opini adalah untuk memperbarui leksikon yang ada dan memecahkan masalah pembobotan kata dan frasa untuk term opini. Hasil evaluasi yang didapatkan dalam penelitian ini adalah sangat baik, dengan skor F1 rata-rata 93,84% untuk kategorisasi aspek dan 92,42% untuk ABSA. Hasil tersebut menunjukkan bahwa metode usulan dapat menyelesaikan masalah-masalah ulasan dengan aspek implisit dan opini implisit dalam berbagai jenis kalimat.
=======================================================================================================================================
Implicit reviews can be either reviews with implicit aspects or reviews with implicit opinions. A thorough understanding of the types of implicit reviews requires a thorough analysis so that the extraction technique developed can effectively capture implicit terms. This poses a challenge in aspect-based sentiment analysis because an implicit review can consist of various sentence types. Implicit reviews can be not only short but also long sentences, and not just one pair of aspects and opinions, but also multiple pairs of explicit and implicit aspects and opinions. Based on these challenges, this study proposes the ABSA method with natural language understanding for implicit reviews based on sentence and word structure. In the text extraction stage, the proposed method utilizes machine learning algorithm rules with a deep understanding of various sentence and word types. Next, the aspect category of each review is determined by measuring the word similarity between the aspect terms contained in each review and the aspect keywords extracted from Wikipedia. BERT embedding and semantic similarity are used to measure the similarity between words. Furthermore, the proposed ABSA method utilizes BERT, a hybrid lexicon, and weighting of opinion terms. The goal of the hybrid lexicon and opinion term weighting is to update the existing lexicon and solve the problem of weighting words and phrases for opinion terms. The evaluation results obtained in this study were excellent, with an average F1 score of 93.84% for aspect categorization and 92.42% for ABSA. These results indicate that the proposed method can solve review problems with implicit aspects and implicit opinions in various sentence types.

Item Type:	Thesis (Doctoral)
Uncontrolled Keywords:	Analisis Sentiment Berdasarkan Aspek, Natural Language Understanding, Machine Learning, Semantic similarity, BERT, Aspect-Based Sentiment Analysis, Natural Language Understanding, Machine Learning, Semantic similarity
Subjects:	Q Science > Q Science (General) > Q325.5 Machine learning. Support vector machines.
Divisions:	Faculty of Intelligent Electrical and Informatics Technology (ELECTICS) > Informatics Engineering > 55001-(S3) PhD Thesis (Comp Science)
Depositing User:	- Davi Wah
Date Deposited:	30 Jul 2025 01:45
Last Modified:	30 Jul 2025 01:49
URI:	http://repository.its.ac.id/id/eprint/124090

Actions (login required)

View Item