ANALISIS PERBANDINGAN KINERJA TEXTBLOB DAN CLIFF NLP PADA KLASIFIKASI SENTIMEN ULASAN PELANGGAN PENGRAJIN JEPARA
Kata Kunci:
Sentiment Analysis, Text Mining, Transformer Model, XLM-RoBERTa, TextBlob, Ulasan KonsumenAbstrak
Analisis sentimen merupakan salah satu teknik dalam pemrosesan bahasa alami (Natural Language Processing/NLP) yang digunakan untuk mengidentifikasi opini dan emosi pengguna terhadap suatu produk atau layanan berdasarkan data teks. Penelitian ini bertujuan untuk melakukan analisis sentimen terhadap ulasan konsumen pengrajin mebel di Jepara yang diperoleh dari Google Maps Review, serta membandingkan kinerja dua pendekatan yang berbeda, yaitu metode berbasis transformer dan metode berbasis leksikon. Metode yang digunakan dalam penelitian ini adalah Text Mining-based Sentiment Analysis Method yang meliputi tahapan pengumpulan data, preprocessing teks, ekstraksi fitur, klasifikasi sentimen, dan evaluasi hasil. Pendekatan transformer diimplementasikan menggunakan model cardiffnlp/twitter-xlm-roberta-base-sentiment yang mampu memahami konteks kalimat melalui representasi embedding dan mekanisme self-attention, sedangkan pendekatan leksikon menggunakan TextBlob yang mengklasifikasikan sentimen berdasarkan kamus polaritas kata. Hasil analisis terhadap data ulasan menunjukkan bahwa distribusi sentimen didominasi oleh sentimen negatif dengan 63 ulasan (54%), diikuti oleh sentimen positif sebanyak 38 ulasan (33%), dan sentimen netral sebanyak 16 ulasan (13%). Temuan ini menunjukkan bahwa sebagian konsumen masih memiliki pengalaman yang kurang memuaskan terhadap layanan atau produk pengrajin Jepara. Secara metodologis, model berbasis transformer menunjukkan kemampuan yang lebih baik dalam memahami konteks bahasa dibandingkan metode leksikon yang cenderung bergantung pada polaritas kata secara individual. Penelitian ini diharapkan dapat memberikan kontribusi dalam memahami persepsi konsumen terhadap industri kerajinan lokal serta memberikan referensi metodologis dalam penerapan analisis sentimen pada data ulasan berbahasa Indonesia.
Referensi
Ashbaugh, L., Rane, N., & Kumar, A. (2024). A comparative study of sentiment analysis approaches on customer review data. Computers, 13(12), 340.
https://doi.org/10.3390/computers13120340
Cambria, E., Schuller, B., Xia, Y., & Havasi, C. (2017). New avenues in opinion mining and sentiment analysis. IEEE Intelligent Systems, 28(2), 15–21.
Cao, S., & Wang, L. (2021). CLIFF: Contrastive learning for improving faithfulness and factuality in abstractive summarization. Proceedings of the 2021 Conference on Empirical Methods in Natural Language Processing (EMNLP), 6633–6649. https://doi.org/10.18653/v1/2021.emnlp-main.532
Devlin, J., Chang, M. W., Lee, K., & Toutanova, K. (2019).
BERT: Pre-training of deep bidirectional transformers for language understanding. Computational Linguistics, 45(4), 1–15.
Koto, F., Rahimi, A., Lau, J. H., & Baldwin, T. (2020).Indonesian NLP resources and benchmark datasets: A systematic evaluation. Journal of Natural Language Engineering, 26(4), 1–25.
Liu, B. (2012).Sentiment analysis and opinion mining. Synthesis Lectures on Human Language Technologies, 5(1), 1–167.
Manning, C. D., Raghavan, P., & Schütze, H. (2008). Introduction to information retrieval. Cambridge University Press.
Medhat, W., Hassan, A., & Korashy, H. (2014). Sentiment analysis algorithms and applications: A survey. Ain Shams Engineering Journal, 5(4), 1093–1113. https://doi.org/10.1016/j.asej.2014.04.011.
Ströhle, T., Campos, R., & Jatowt, A. (2024). Contrastive text summarization: A survey. International Journal of Data Science and Analytics, 17, 1–24. https://doi.org/10.1007/s41060-023-00434-4
Young, T., Hazarika, D., Poria, S., & Cambria, E. (2018).Recent trends in deep learning based natural language processing. IEEE Computational Intelligence Magazine, 13(3), 55–75.
