Optimizing Aspect-Based Sentiment Analysis using SBERT and BIGBIRD Transformers

Sumber paper: https://www.sciencedirect.com/science/article/pii/S2199853124000052

Di tengah derasnya arus data digital, memahami opini manusia menjadi tantangan yang semakin kompleks. Ulasan pengguna, komentar media sosial, hingga feedback pelanggan kini tidak hanya berjumlah besar, tetapi juga kaya akan konteks yang seringkali sulit ditangkap oleh mesin. Di sinilah peran Aspect-Based Sentiment Analysis (ABSA) menjadi sangat penting—sebuah pendekatan yang tidak hanya membaca sentimen secara umum, tetapi juga mampu mengurai opini berdasarkan aspek-aspek spesifik.

Namun, dalam praktiknya, ABSA masih menghadapi keterbatasan. Banyak metode sebelumnya masih bergantung pada word embedding yang kurang mampu menangkap makna kontekstual secara mendalam. Hal ini sering menyebabkan kesalahan dalam memahami nuansa bahasa, terutama pada kalimat yang kompleks atau ambigu.

Berangkat dari tantangan tersebut, penelitian ini mencoba menawarkan pendekatan yang lebih komprehensif dengan menggabungkan kekuatan beberapa teknologi mutakhir dalam bidang Natural Language Processing (NLP). Penelitian ini memanfaatkan Sentence-BERT (SBERT) untuk merepresentasikan kalimat dalam bentuk vektor yang lebih kontekstual, memungkinkan sistem memahami hubungan semantik antar kalimat secara lebih akurat.

Tidak berhenti di situ, penelitian ini juga mengintegrasikan Bayesian Search Clustering sebagai mekanisme untuk mengelompokkan data secara optimal sekaligus menghasilkan label secara otomatis. Pendekatan ini menjadi salah satu inovasi penting, karena mampu mengurangi ketergantungan terhadap pelabelan manual yang biasanya memakan waktu dan biaya besar.

Sebagai tahap akhir, digunakan model BIGBIRD Transformer, yang dikenal memiliki kemampuan dalam menangani teks panjang secara efisien. Dibandingkan dengan model transformer tradisional seperti BERT, BIGBIRD menawarkan performa yang lebih stabil ketika berhadapan dengan data berskala besar dan kompleks.

Hasil dari kombinasi metode ini menunjukkan peningkatan performa yang signifikan. Pada dataset IMDB, model BIGBIRD berhasil mencapai akurasi sekitar 95%, melampaui performa BERT yang berada di angka 93%. Pada dataset SemEval, peningkatan lebih terlihat dengan akurasi mencapai 93% dibandingkan 85% pada metode sebelumnya. Bahkan pada dataset ulasan hotel, pendekatan ini mampu mencapai akurasi hingga 99%, sebuah pencapaian yang menunjukkan efektivitas tinggi dalam memahami sentimen berbasis aspek.

Lebih dari sekadar peningkatan angka, penelitian ini menunjukkan arah baru dalam pengembangan sistem analisis sentimen. Penggunaan sentence embedding berbasis SBERT, dikombinasikan dengan teknik clustering cerdas dan model transformer yang lebih adaptif, membuka peluang untuk membangun sistem yang lebih akurat dan efisien.

Bagi dunia akademik, penelitian ini memberikan kontribusi signifikan dalam pengembangan metode ABSA. Sementara bagi dunia industri, pendekatan ini berpotensi diterapkan pada berbagai bidang, seperti analisis ulasan pelanggan, monitoring reputasi brand, hingga sistem rekomendasi berbasis opini pengguna.

Pada akhirnya, penelitian ini menegaskan bahwa memahami bahasa manusia tidak cukup hanya dengan melihat kata per kata, tetapi harus mampu menangkap makna di balik konteksnya. Dan di era kecerdasan buatan saat ini, pendekatan seperti inilah yang akan menjadi fondasi bagi sistem analisis teks yang lebih cerdas di masa depan.