Perpustakaan Digital ITB

Aspect-Based Sentiment Analysis umumnya merepresentasikan sentimen melalui label diskrit sehingga belum menggambarkan perbedaan intensitas emosi secara rinci. Penelitian ini mengembangkan pipeline Dimensional Aspect-Based Sentiment Analysis (DimABSA) berbasis transformer untuk mengekstraksi pasangan aspek opini serta memprediksi nilai kontinu valence dan arousal pada skala 1 sampai 9. Data yang digunakan berasal dari SemEval-2026 Task 3 berbahasa Inggris pada domain laptop dan restoran. Pelatihan dan evaluasi dilakukan secara terpisah pada setiap domain. Pipeline terdiri atas dua tahap. Tahap pertama menggunakan transformer encoder-decoder untuk memformulasikan ekstraksi pasangan aspek-opini sebagai tugas text-to-text. Tahap kedua menggunakan transformer encoder-only dengan regression head untuk memprediksi valence dan arousal berdasarkan teks dan pasangan hasil ekstraksi. Serangkaian eksperimen dilakukan pada data development untuk membandingkan model pada kedua tahap. Berdasarkan hasil eksperimen tersebut, konfigurasi final menggunakan FLAN-TS-large untuk ekstraksi aspek opini pada kedua domain, serta mDeBERTa-v3-base pada laptop dan XLM-RoBERTa-large pada restoran untuk prediksi valence arousal. Evaluasi mencakup Fl-score untuk ekstraksi aspek-opini, root mean squared error (RMSE) untuk prediksi valence arousal, continuous F1 (cF1) untuk kinerja end-to-end, dan analisis oracle untuk mengidentifikasi sumber kesalahan utama. Konfigurasi final meningkatkan cFl pada data uji dari 0,4837 menjadi 0,4948 untuk laptop dan dari 0,6134 menjadi 0,6416 untuk restoran. Analisis oracle menunjukkan bahwa penggunaan pasangan aspek opini gold menghasilkan peningkatan cF1 terbesar. Dengan demikian, pipeline dua tahap dapat diterapkan pada DimABSA, tetapi tahap ekstraksi aspek opini masih menjadi kendala utama. Pengembangan selanjutnya perlu difokuskan pada peningkatan kualitas ekstraksi dan pengurangan error propagation ke tahap prediksi valence arousal.