Analisis Sentimen Berbasis Aspek Melalui Integrasi LDA dan Kombinasi XLM-RoBERTa - BiGRU

Abstract

Abstrak—Analisis sentimen pada media sosial umumnya hanya menghasilkan polaritas sentimen secara keseluruhan tanpa mengidentifikasi aspek spesifik yang menjadi fokus opini masyarakat. Kondisi tersebut menyebabkan informasi yang diperoleh menjadi kurang rinci, terutama pada opini yang membahas lebih dari satu aspek kebijakan pemerintah. Penelitian ini bertujuan mengembangkan sistem Aspect-Based Sentiment Analysis (ABSA) untuk menganalisis sentimen masyarakat terhadap kebijakan pemerintahan Prabowo Subianto. Sistem yang diusulkan menggunakan TF-IDF dan Latent Dirichlet Allocation (LDA) untuk ekstraksi aspek, kemudian menerapkan multi-aspect annotation dalam pembentukan dataset, serta memanfaatkan model hybrid XLM-RoBERTa dan Bidirectional Gated Recurrent Unit (BiGRU) untuk klasifikasi sentimen. Evaluasi model dilakukan menggunakan Stratified 5-Fold Cross Validation, sedangkan kualitas ekstraksi aspek dievaluasi menggunakan Coherence Score, Topic Diversity, dan Silhouette Score. Hasil penelitian menunjukkan bahwa model LDA berhasil mengidentifikasi tiga aspek utama dengan nilai Coherence Score sebesar 0,5427, Topic Diversity sebesar 0,9333, dan Silhouette Score sebesar 0,8496. Model klasifikasi menghasilkan Accuracy sebesar 95,35%, Precision sebesar 95,41%, Recall sebesar 95,35%, dan F1-score sebesar 95,35%. Hasil tersebut menunjukkan bahwa framework ABSA yang diusulkan mampu melakukan ekstraksi aspek dan klasifikasi sentimen secara otomatis dengan performa yang tinggi dan konsisten pada data opini masyarakat berbahasa Indonesia.

Abstract—Conventional sentiment analysis on social media generally produces only overall sentiment polarity without identifying the specific aspects discussed in public opinions. As a result, the extracted information becomes less informative, particularly for opinions addressing multiple government policy issues. This study proposes an Aspect-Based Sentiment Analysis (ABSA) system to analyze public sentiment toward the policies of the Prabowo Subianto administration. The proposed approach employs TF-IDF and Latent Dirichlet Allocation (LDA) for aspect extraction, applies multi-aspect annotation for dataset construction, and utilizes a hybrid XLM-RoBERTa and Bidirectional Gated Recurrent Unit (BiGRU) model for aspect-level sentiment classification. Model performance was evaluated using Stratified 5-Fold Cross Validation, while aspect extraction quality was assessed using Coherence Score, Topic Diversity, and Silhouette Score. The experimental results show that the LDA model successfully identified three main aspects with a Coherence Score of 0.5427, a Topic Diversity of 0.9333, and a Silhouette Score of 0.8496. The proposed sentiment classification model achieved an Accuracy of 95.35%, Precision of 95.41%, Recall of 95.35%, and an F1-score of 95.35%. These findings demonstrate that the proposed ABSA framework can automatically perform aspect extraction and aspect-level sentiment classification with high and consistent performance on Indonesian social media opinion data.