Apa itu analisis sentimen?

Perusahaan sekarang memiliki akses ke lebih banyak data tentang pelanggan mereka daripada sebelumnya, menghadirkan peluang dan tantangan: menganalisis sejumlah besar data tekstual yang tersedia dan mengekstraksi insight yang berarti untuk memandu keputusan bisnis mereka.

Mulai dari email dan tweet hingga tanggapan survei online, obrolan dengan perwakilan layanan pelanggan dan ulasan, sumber-sumber yang tersedia untuk mengukur sentimen pelanggan tampaknya tidak terbatas. Sistem analisis sentimen membantu perusahaan lebih memahami pelanggan mereka, memberikan pengalaman pelanggan yang lebih kuat, dan meningkatkan reputasi merek mereka.

Dengan tersedianya lebih banyak cara daripada sebelumnya bagi orang untuk mengekspresikan perasaan mereka secara online, organisasi memerlukan alat yang efektif untuk memantau apa yang dikatakan tentang perusahaan, produk, dan layanan mereka secara nyaris seketika. Seiring upaya perusahaan untuk mengadopsi analisis sentimen dan mulai menggunakannya untuk menganalisis lebih banyak percakapan dan interaksi, mengidentifikasi titik gesekan pelanggan di setiap tahap perjalanan pelanggan akan lebih mudah lagi.

Alat analisis sentimen kecerdasan buatan (AI) terbaru membantu perusahaan menyaring ulasan dan net promoter score (NPS) untuk mengetahui bias pribadi dan mendapatkan opini yang lebih objektif tentang merek, produk, dan layanan mereka. Sebagai contoh, jika seorang pelanggan mengungkapkan opini negatif beserta opini positif dalam sebuah ulasan, manusia yang menilai ulasan tersebut mungkin akan memberi label negatif sebelum sampai pada kata-kata positif. Klasifikasi sentimen yang ditingkatkan dengan AI membantu menyortir dan mengklasifikasikan teks dengan cara yang objektif, sehingga hal ini tidak terjadi, dan mencerminkan kedua sentimen.

Analisis sentimen memungkinkan perusahaan dengan data tidak terstruktur yang sangat banyak dan berguna untuk menganalisis dan mengekstrak insight yang berarti dari data tersebut dengan cepat dan efisien. Dengan jumlah teks yang dihasilkan oleh pelanggan di berbagai saluran digital, mudah bagi tim manusia untuk kewalahan dengan informasi. Alat analisis sentimen pelanggan yang kuat, berbasis cloud, dan ditingkatkan dengan AI membantu organisasi memberikan intelijen bisnis dari data pelanggan mereka dalam skala besar, tanpa mengeluarkan sumber daya yang tidak perlu.

Perusahaan modern perlu merespons dengan cepat dalam krisis. Pendapat yang diungkapkan di media sosial, apakah benar atau tidak, dapat menghancurkan reputasi merek yang membutuhkan waktu bertahun-tahun untuk dibangun. Alat analisis sentimen yang kuat dan didukung AI membantu para eksekutif memantau sentimen keseluruhan seputar merek sehingga mereka dapat menemukan potensi masalah dan mengatasinya dengan cepat.

Analisis sentimen menggunakan teknologi pemrosesan bahasa alami (NLP) dan machine learning (ML) untuk melatih perangkat lunak komputer agar dapat menganalisis dan menginterpretasikan teks dengan cara yang mirip dengan cara manusia. Perangkat lunak ini menggunakan salah satu dari dua pendekatan, berbasis aturan atau ML—atau kombinasi keduanya yang dikenal sebagai hibrida. Setiap pendekatan memiliki kekuatan dan kelemahannya; meskipun pendekatan berbasis aturan dapat memberikan hasil nyaris seketika, pendekatan berbasis ML lebih mudah beradaptasi dan biasanya dapat menangani skenario yang lebih kompleks.

Dalam pendekatan berbasis aturan, perangkat lunak dilatih untuk mengklasifikasikan kata kunci tertentu dalam sepotong teks berdasarkan kelompok kata, atau leksikon, yang menggambarkan maksud penulis. Sebagai contoh, kata-kata dalam leksikon positif dapat mencakup “terjangkau”, “cepat”, dan “kualitas baik”, sedangkan kata-kata dalam leksikon negatif dapat mencakup atribut “mahal” “lambat”, dan “kualitas buruk”. Perangkat lunak ini kemudian memindai pengklasifikasi untuk mencari kata-kata dalam leksikon positif atau negatif dan menghitung skor sentimen total berdasarkan volume kata yang digunakan dan skor sentimen dari setiap kategori.

Dengan pendekatan machine learning (ML), sebuah algoritma digunakan untuk melatih perangkat lunak untuk mengukur sentimen dalam sepotong teks dengan menggunakan kata-kata yang muncul di dalam teks serta urutan kemunculannya. Para pengembang menggunakan algoritma analisis sentimen untuk mengajarkan perangkat lunak cara mengidentifikasi emosi dalam teks, sama seperti yang dilakukan manusia. Model ML terus “belajar” dari data yang diberikan, karena itulah dinamakan “machine learning”. Berikut ini adalah beberapa algoritma klasifikasi yang paling umum digunakan:

• Regresi linier: Algoritma statistik yang menggambarkan nilai (Y) berdasarkan sekumpulan fitur (X).
   

• Naive Bayes: Algoritma yang menggunakan teorema Bayes untuk mengategorikan kata-kata dalam sepotong teks.
   

• Support vector machine: Algoritma klasifikasi cepat dan efisien yang digunakan untuk memecahkan masalah klasifikasi dua kelompok.
   

• Pembelajaran mendalam (DL): Juga dikenal sebagai neural networks buatan, pembelajaran mendalam adalah teknik machine learning tingkat lanjut yang menghubungkan beberapa algoritma untuk meniru fungsi otak manusia.

Pendekatan hibrida untuk analisis teks menggabungkan kemampuan ML dan berbasis aturan untuk mengoptimalkan akurasi dan kecepatan. Meskipun sangat akurat, pendekatan ini membutuhkan lebih banyak sumber daya, seperti waktu dan kapasitas teknis, daripada dua pendekatan lainnya.

Selain berbagai pendekatan yang digunakan untuk membangun alat analisis sentimen, ada juga berbagai jenis analisis sentimen yang digunakan oleh organisasi tergantung pada kebutuhan mereka. Tiga jenis yang paling populer, berbasis emosi, mendetail, dan analisis sentimen berbasis aspek (ABSA), semuanya mengandalkan kapasitas perangkat lunak yang mendasari untuk mengukur sesuatu yang disebut polaritas, perasaan keseluruhan yang disampaikan oleh sebuah teks.

Secara umum, polaritas teks dapat digambarkan sebagai positif, negatif, atau netral. Tetapi dengan mengategorikan teks lebih jauh, misalnya ke dalam subkelompok seperti “sangat positif” atau “sangat negatif”, beberapa model analisis sentimen dapat mengidentifikasi emosi yang lebih halus dan kompleks. Polaritas teks adalah metrik yang paling umum digunakan untuk mengukur emosi tekstual dan diekspresikan oleh perangkat lunak sebagai peringkat numerik pada skala satu hingga 100. Nol mewakili sentimen netral dan 100 mewakili sentimen paling ekstrem.

Berikut adalah tiga jenis analisis sentimen yang paling banyak digunakan:

Analisis sentimen mendetail, atau yang dinilai, adalah jenis analisis sentimen yang mengelompokkan teks ke dalam emosi yang berbeda dan tingkat emosi yang diekspresikan. Emosi tersebut kemudian dinilai dalam skala nol hingga 100, mirip dengan cara situs web konsumen menerapkan peringkat bintang untuk mengukur kepuasan pelanggan.

Analisis sentimen berbasis aspek (ABSA) mempersempit cakupan dari apa yang sedang diperiksa dalam sebuah teks menjadi satu aspek dari produk, layanan, atau pengalaman pelanggan yang ingin dianalisis oleh bisnis.

Sebagai contoh, aplikasi perjalanan hemat dapat menggunakan ABSA untuk memahami seberapa intuitif antarmuka pengguna yang baru atau untuk mengukur efektivitas chatbot layanan pelanggan. ABSA dapat membantu organisasi untuk lebih memahami bagaimana produk mereka berhasil atau gagal memenuhi harapan pelanggan.

Analisis sentimen deteksi emosi berusaha memahami kondisi psikologis individu di balik sebuah teks, termasuk kerangka berpikir mereka saat menulisnya dan niat mereka. Ini lebih kompleks dibandingkan dengan analisis mendetail atau ABSA dan biasanya digunakan untuk mendapatkan pemahaman yang lebih dalam tentang motivasi atau kondisi emosional seseorang. Daripada menggunakan polaritas, seperti positif, negatif, atau netral, deteksi emosi dapat mengidentifikasi emosi tertentu dalam teks seperti frustrasi, ketidakpedulian, kegelisahan, dan keterkejutan.

Organisasi melakukan analisis sentimen untuk berbagai alasan. Berikut adalah beberapa contoh penggunaan yang paling populer.

Meskipun analisis sentimen dan teknologi yang mendukungnya berkembang pesat, bidang ini relatif baru. Menurut “Sentiment Analysis”, oleh Liu Bing (2020), istilah ini baru digunakan secara luas sejak tahun 2003.¹ Masih banyak yang harus dipelajari dan disempurnakan, dan berikut ini adalah beberapa kekurangan dan tantangan yang paling umum.

Konteks adalah komponen penting untuk memahami emosi apa yang diekspresikan dalam sepotong teks dan yang sering menyebabkan alat analisis sentimen membuat kesalahan. Pada survei pelanggan, misalnya, pelanggan mungkin memberikan dua jawaban atas pertanyaan: “Apa yang Anda sukai dari aplikasi kami?” Jawaban pertama mungkin “fungsionalitas” dan yang kedua “UX.” Jika pertanyaan yang diajukan berbeda, misalnya, “Apa yang tidak Anda sukai dari aplikasi kami?”, itu mengubah arti respons pelanggan tanpa mengubah kata-kata itu sendiri. Untuk memperbaiki masalah ini, algoritma perlu diberikan konteks asli dari pertanyaan yang ditanggapi pelanggan, taktik memakan waktu yang dikenal sebagai prapemrosesan atau pasca-pemrosesan .

Terlepas dari tingkat atau cakupan pelatihan, perangkat lunak mengalami kesulitan untuk mengidentifikasi ironi dan sarkasme dengan benar dalam sebuah badan teks. Hal ini terjadi karena sering kali ketika seseorang sedang menyindir atau bersikap ironis, emosi ini disampaikan melalui intonasi suara atau ekspresi wajah mereka, dan tidak ada perbedaan yang jelas dalam kata-kata yang mereka gunakan. Misalnya, ketika menganalisis frasa, “Luar biasa, tiket tilang seribu dolar lagi, hal yang saya butuhkan saat ini,”  alat analisis sentimen kemungkinan akan salah mengartikan sifat emosi yang diekspresikan dan melabelinya sebagai hal positif karena penggunaan kata “luar biasa”.

Negasi adalah ketika kata negatif digunakan untuk menyampaikan pembalikan makna dalam sebuah kalimat. Misalnya, pertimbangkan kalimat ini, “Saya tidak akan mengatakan bahwa sepatu itu murah. " Apa yang diungkapkan, adalah bahwa sepatu itu mungkin mahal, atau setidaknya harganya sedang, tetapi alat analisis sentimen kemungkinan tidak menangkap ekspresi halus ini.

Bahasa idiomatik, seperti penggunaan, contohnya, frasa bahasa Inggris yang umum seperti “Let's not beat around the bush,” atau “Break a leg,” sering kali mengacaukan alat analisis sentimen dan algoritma ML yang dibangun di atasnya. Ketika frasa bahasa manusia seperti contoh di atas digunakan di saluran media sosial atau dalam ulasan produk, alat analisis sentimen akan salah mengidentifikasinya. Contoh “break a leg” dapat salah diidentifikasi sebagai sesuatu yang, misalnya, menyakitkan atau menyedihkan, atau tidak teridentifikasi sama sekali.

Organisasi yang memutuskan untuk menerapkan analisis sentimen untuk lebih memahami pelanggan mereka memiliki dua pilihan untuk melakukannya: membeli alat yang sudah ada atau membuat alat sendiri.

Bisnis yang memilih untuk membangun alat mereka sendiri biasanya menggunakan pustaka sumber terbuka dalam bahasa pengkodean umum seperti Python atau Java. Pustaka ini berguna karena komunitas mereka sangat ahli dalam ilmu data. Namun, organisasi yang ingin menggunakan pendekatan ini perlu melakukan investasi yang cukup besar untuk mempekerjakan tim insinyur dan ilmuwan data.

Memperoleh alat analisis sentimen perangkat lunak sebagai layanan (SaaS) yang sudah ada membutuhkan investasi awal yang lebih sedikit dan memungkinkan bisnis untuk menerapkan model machine learning yang sudah terlatih daripada membuatnya dari awal. Alat analisis sentimen SaaS dapat dijalankan hanya dengan beberapa langkah sederhana dan merupakan pilihan yang baik untuk bisnis yang belum siap untuk melakukan investasi yang diperlukan untuk membangun alat analisis sentimen mereka sendiri.