Perpustakaan Digital ITB

Steam merupakan salah satu platform distribusi permainan terbesar saat ini yan memiliki lebih dari 100.000 permainan yang dijual maupun diberikan secara gratis. Steam saat ini hanya memiliki sistem ulasan biner yang berpotensi belum memberikan kemudahan kepada pengguna dalam mengeksplorasi permainan dan membuat keputusan pembelian. Untuk mengatasi permasalahan tersebut, penelitian ini merancang dan mengimplementasikan sebuah sistem analisis sentimen berbasis aspek untuk menghasilkan rating per aspek (gameplay, story, visual, audio) secara otomatis dari ulasan pengguna. Hal ini dapat memudahkan pengguna dalam mengeksplorasi permainan, memberikan informasi yang lebih mendalam kepada pengembang permainan terkait umpan balik permainannya, dan mengoptimalkan sistem rekomendasi Steam. Metode yang digunakan terdiri dari dua model BERT yang terspesialisasi untuk tugas deteksi aspek dan klasifikasi sentimen aspek. Tantangan utama kelangkaan data latih berlabel diatasi dengan pendekatan supervisi lemah menggunakan kerangka kerja Snorkel untuk membuat data latih secara terprogram. Hasil evaluasi sistem menunjukkan performa yang baik. Model deteksi aspek berhasil mencapai f1-score hingga 0,829 sementara model klasifikasi sentimen mencapai f1-score hingga 0,735. Pembuatan rating dilakukan dengan menghitung rasio jumlah sentimen positif dengan jumlah total sentimen. Penelitian ini menyimpulkan bahwa kombinasi supervisi lemah dengan arsitektur pipeline berbasis BERT merupakan solusi yang efektif dan valid untuk mengekstraksi informasi dari data ulasan tekstual.