Perpustakaan Digital ITB

Aspect term extraction merupakan langkah penting dalam aspect-based sentiment analysis. Pada metode Sequential Covering oleh Ruskanda dkk. (2019), performa langkah tersebut berhasil ditingkatkan menggunakan daftar kata aspek dan opini. Namun, pembentukan daftar kata aspek dan opini secara manual memakan waktu dan tenaga. Oleh karena itu, pada tugas akhir ini dirancang sebuah sistem untuk membangun daftar kata aspek dan opini secara otomatis menggunakan teknik word embedding. Daftar kata yang dihasilkan disebut sebagai domain-specific lexicon karena cakupannya diperluas dari sebuah dataset ke sebuah domain. Pembangunan domain-specific lexicon diawali dengan focused crawling untuk mengumpulkan data. Selanjutnya dilakukan preprocessing dan pembentukan word embedding. Setelah word embedding dibentuk, dilakukan ekstraksi kata-kata yang terkait dengan domain secara supervised dan unsupervised. Domain-specific lexicon yang dihasilkan selanjutnya digunakan pada metode Sequential Covering yang dimodifikasi. Metode lain yang dijadikan sebagai baseline adalah Aspectator, Double Propagation, Sequential Covering tanpa lexicon, dan Sequential Covering dengan aspect dan opinion list. Pada pengujian untuk pemisahan aspek dan opini, akurasi terbaik didapatkan dari metode pemisahan menggunakan SVM dengan fitur vektor kata berukuran 300 dimensi yang dibangun dengan model CBOW. Pada pengujian untuk ekstraksi aspek, F1 score terbaik yang dihasilkan metode Sequential Covering yang dimodifikasi pada dataset Nikon Coolpix 4300 (0.645), Canon G3 (0.581), Nokia 6610 (0.629) dan ABSA16_Restaurants_Train_SB1 (0.705) telah mengungguli baseline Aspectator, Double Propagation, dan Sequential Covering tanpa lexicon. Namun hasil tersebut lebih rendah dari metode Sequential Covering dengan aspect dan opinion list, dikarenakan aspek/opini pada dataset uji tidak terdapat pada word embedding, tidak terdapat aspek/opini yang similar pada domain-specific lexicon, dan terjadinya human error pada pelabelan data.