{"id":938,"date":"2026-05-21T14:25:00","date_gmt":"2026-05-21T07:25:00","guid":{"rendered":"https:\/\/dev.aiinstitute.id\/product-research\/necessitatibus-eos-amet-doloremque\/"},"modified":"2026-06-02T09:11:43","modified_gmt":"2026-06-02T02:11:43","slug":"absa-research","status":"publish","type":"product-research","link":"https:\/\/aiinstitute.id\/id\/product-research\/absa-research\/","title":{"rendered":"ABSA (Aspect-Based Sentiment Analysis) untuk opini sentimen super detail"},"content":{"rendered":"<p style=\"text-align: justify;\"><span style=\"font-weight: 400;\">Riset <\/span><i><span style=\"font-weight: 400;\">Aspect-Based Sentiment Analysis<\/span><\/i><span style=\"font-weight: 400;\"> (ABSA) hadir sebagai sebuah terobosan ilmiah untuk membedah opini publik secara super detail (<\/span><i><span style=\"font-weight: 400;\">fine-grained<\/span><\/i><span style=\"font-weight: 400;\">) langsung pada aspek spesifik dari suatu ulasan. Dengan menargetkan standar terbaik dunia (SOTA), riset ini memadukan kekayaan bahasa daerah di Indonesia dengan kecanggihan model bahasa besar (LLM) terkini.\u00a0<\/span><\/p>\n<p style=\"text-align: justify;\"><span style=\"font-weight: 400;\">Pernahkah Anda membaca ulasan internet yang isinya campur aduk?<\/span><\/p>\n<p style=\"text-align: center;\"><i><span style=\"font-weight: 400;\">&#8220;Hotelnya <\/span><\/i><b><i>bersih banget<\/i><\/b><i><span style=\"font-weight: 400;\"> dan kasurnya <\/span><\/i><b><i>empuk<\/i><\/b><i><span style=\"font-weight: 400;\">, tapi sayang makanan restorannya <\/span><\/i><b><i>hambar<\/i><\/b><i><span style=\"font-weight: 400;\"> dan pelayanan resepsionisnya <\/span><\/i><b><i>lelet<\/i><\/b><i><span style=\"font-weight: 400;\">.&#8221;<\/span><\/i><\/p>\n<p style=\"text-align: justify;\"><span style=\"font-weight: 400;\">Bagi manusia, kita tahu konsumen ini menyukai fasilitas kamar tetapi kecewa dengan makanan dan pelayanan. Namun, AI (Kecerdasan Buatan) tradisional akan bingung. AI lama hanya bisa membaca satu kalimat utuh lalu menebak satu label: <\/span><i><span style=\"font-weight: 400;\">Positif<\/span><\/i><span style=\"font-weight: 400;\"> atau <\/span><i><span style=\"font-weight: 400;\">Negatif<\/span><\/i><span style=\"font-weight: 400;\">. Karena isinya bertolak belakang, AI lama biasanya menyerah dan memberi label <\/span><b>Netral<\/b><span style=\"font-weight: 400;\">. Akibatnya, pemilik hotel kehilangan informasi berharga tentang bagian mana yang harus diperbaiki.<\/span><\/p>\n<p style=\"text-align: justify;\"><span style=\"font-weight: 400;\">Untuk menjembatani celah ini, sebuah riset mutakhir dikembangkan oleh <\/span><b>Indonesia AI Institute (IAII) <\/b><span style=\"font-weight: 400;\">dengan fokus pada <\/span><b>Aspect-Based Sentiment Analysis (ABSA)<\/b><span style=\"font-weight: 400;\"> untuk menghasilkan wawasan sentimen yang super detail (<\/span><i><span style=\"font-weight: 400;\">fine-grained insights<\/span><\/i><span style=\"font-weight: 400;\">). Tidak main-main, riset ini langsung membidik target besar: Menjadi metode terbaik di dunia (State-of-the-Art \/ SOTA) untuk tugas-tugas ABSA.<\/span><\/p>\n<p>&nbsp;<\/p>\n<p style=\"text-align: left;\"><b>1. Fokus Riset: Membedah Teks Lewat Tugas ASTE<\/b><\/p>\n<p style=\"text-align: justify;\"><span style=\"font-weight: 400;\">Riset ini tidak hanya menebak sentimen, melainkan fokus pada tugas yang jauh lebih kompleks bernama <\/span><b>ASTE (Aspect Sentiment Triplet Extraction)<\/b><span style=\"font-weight: 400;\"> atau perluasannya. Di dalam tugas ASTE, AI dilatih untuk mengekstrak empat elemen sekaligus (Quadruplet) dari satu kalimat ulasan:<\/span><\/p>\n<p style=\"text-align: center;\"><b><i>[Objek yang Dikritik] \u2500\u2500\u25ba [Kata Sifat\/Opini] \u2500\u2500\u25ba [Jenis Kategori] \u2500\u2500\u25ba [Nilai Emosi\/Polaritas]<\/i><\/b><\/p>\n<p>&nbsp;<\/p>\n<ul style=\"text-align: justify;\">\n<li style=\"font-weight: 400;\" aria-level=\"2\"><b>Aspect Term:<\/b><span style=\"font-weight: 400;\"> Menemukan objek fisik yang dikomentari (Contoh: <\/span><i><span style=\"font-weight: 400;\">&#8220;makanan restoran&#8221;<\/span><\/i><span style=\"font-weight: 400;\">).<\/span><\/li>\n<li style=\"font-weight: 400;\" aria-level=\"2\"><b>Opinion Term:<\/b><span style=\"font-weight: 400;\"> Menemukan kata sifat ekspresi konsumen (Contoh: <\/span><i><span style=\"font-weight: 400;\">&#8220;hambar&#8221;<\/span><\/i><span style=\"font-weight: 400;\">).<\/span><\/li>\n<li style=\"font-weight: 400;\" aria-level=\"2\"><b>Sentiment\/Polarity:<\/b><span style=\"font-weight: 400;\"> Menentukan nilai emosinya (Contoh: <\/span><b>Negatif \ud83d\udc4e<\/b><span style=\"font-weight: 400;\">).<\/span><\/li>\n<\/ul>\n<p>&nbsp;<\/p>\n<p style=\"text-align: justify;\"><span style=\"font-weight: 400;\">Dengan memetakan empat elemen ini secara otomatis, pemilik bisnis bisa mendapatkan dasbor analisis yang sangat tajam tanpa perlu membaca jutaan ulasan manual satu per satu.<\/span><\/p>\n<p>&nbsp;<\/p>\n<p style=\"text-align: left;\"><b>2. Cakupan Riset: Merawat Bahasa Daerah lewat Dataset Multibahasa<\/b><\/p>\n<p style=\"text-align: justify;\"><span style=\"font-weight: 400;\">Salah satu kelemahan terbesar model AI buatan luar negeri adalah ketidakmampuannya memahami bahasa lokal atau daerah di Indonesia. Riset ini mendobrak batasan tersebut dengan membangun <\/span><b>Dataset Baru (New Datasets)<\/b><span style=\"font-weight: 400;\"> berskala besar.<\/span><\/p>\n<ul style=\"text-align: justify;\">\n<li style=\"font-weight: 400;\" aria-level=\"2\"><span style=\"font-weight: 400;\">Bahan Baku: Riset ini mengambil fondasi dari dataset ulasan sektor Perhotelan.<\/span><\/li>\n<li style=\"font-weight: 400;\" aria-level=\"2\"><span style=\"font-weight: 400;\">Lokalisasi &#038; Perbaikan: Dataset bahasa Indonesia yang ada diperbaiki kualitas strukturnya dari kesalahan tik (<\/span><i><span style=\"font-weight: 400;\">typo<\/span><\/i><span style=\"font-weight: 400;\">) atau kerancuan makna.<\/span><\/li>\n<li style=\"font-weight: 400;\" aria-level=\"2\"><span style=\"font-weight: 400;\">Ekspansi Bahasa Daerah: Dataset berkualitas tinggi ini kemudian diterjemahkan dan disesuaikan secara kultural ke dalam 6 bahasa daerah terbesar di Indonesia plus bahasa Inggris. Bahasa yang dicakup meliputi: <\/span><b>Bahasa Indonesia, Inggris, Jawa, Sunda, Minang, Bugis, dan Madura<\/b><span style=\"font-weight: 400;\">.<\/span><\/li>\n<\/ul>\n<p>&nbsp;<\/p>\n<p style=\"text-align: justify;\"><span style=\"font-weight: 400;\">Langkah ini memastikan bahwa masyarakat dari berbagai pelosok Indonesia yang mengulas akomodasi lokal menggunakan bahasa ibunya tetap dapat dipahami secara presisi oleh AI.<\/span><\/p>\n<p>&nbsp;<\/p>\n<p style=\"text-align: left;\"><b>3. Publikasi Ilmiah 1: Pendekatan Generatif (LLM) vs Agentic AI<\/b><\/p>\n<p style=\"text-align: justify;\"><span style=\"font-weight: 400;\">Eksperimen pertama riset ini dituangkan ke dalam Paper 1, yang membandingkan dua mazhab teknologi kecerdasan buatan modern dalam menyelesaikan tugas ABSA multibahasa:<\/span><\/p>\n<p style=\"text-align: left;\"><b>A. Metode Supervised Fine-Tuning (SFT)<\/b><\/p>\n<p style=\"text-align: justify;\"><span style=\"font-weight: 400;\">Peneliti IAII melatih model bahasa berukuran kecil-menengah (<\/span><i><span style=\"font-weight: 400;\">Small Language Models<\/span><\/i><span style=\"font-weight: 400;\">) secara spesifik menggunakan dataset 7 bahasa tadi. Model yang digunakan adalah Qwen 2.5 (0.5B) dan Gemma 3 (270m). Meskipun ukurannya ringkas dan hemat biaya komputasi, model ini &#8220;dilatih&#8221; secara intensif agar menjadi pakar dalam mengenali struktur ASTE.<\/span><\/p>\n<p style=\"text-align: left;\"><b>B. Metode Agentic AI<\/b><\/p>\n<p style=\"text-align: justify;\"><span style=\"font-weight: 400;\">Di sisi lain, peneliti IAII menggunakan model raksasa (<\/span><i><span style=\"font-weight: 400;\">Large Language Models<\/span><\/i><span style=\"font-weight: 400;\">) seperti Gemini dan Qwen (ukuran besar) yang dikonfigurasi sebagai <\/span><i><span style=\"font-weight: 400;\">Agent<\/span><\/i><span style=\"font-weight: 400;\">. AI ini diberikan kemampuan untuk berpikir, mengkritik jawabannya sendiri (<\/span><i><span style=\"font-weight: 400;\">self-reflection<\/span><\/i><span style=\"font-weight: 400;\">), dan memvalidasi hasil ekstraksinya sebelum memberikan jawaban akhir.<\/span><\/p>\n<p style=\"text-align: justify;\"><span style=\"font-weight: 400;\">Jadi jika ada pertanyaan <em>&#8220;Apakah model kecil yang dilatih khusus (SFT) mampu menandingi atau bahkan melampaui kecerdasan model raksasa (Agentic AI) yang membutuhkan memori besar?&#8221;<\/em> Paper 1 akan menjawab dilema efisiensi komputasi ini untuk kebutuhan industri.<\/span><\/p>\n<p>&nbsp;<\/p>\n<p style=\"text-align: left;\"><b>4. Publikasi Ilmiah 2: Melihat Isi Kepala AI (<\/b><b><i>Multilingual Steering &#038; Mechanistic Interpretabilty<\/i><\/b><b>)<\/b><\/p>\n<p style=\"text-align: justify;\"><span style=\"font-weight: 400;\">Selama ini, LLM sering dijuluki sebagai <\/span><i><span style=\"font-weight: 400;\">&#8220;Black Box&#8221;<\/span><\/i><span style=\"font-weight: 400;\"> (Kotak Hitam) karena manusia tahu input dan outputnya, tetapi tidak tahu bagaimana proses berpikir di dalam jaringan saraf buatannya. Paper 2 dalam riset ini hadir untuk memecahkan misteri tersebut melalui metode bernama Mechanistic Interpretability.<\/span><\/p>\n<p style=\"text-align: justify;\"><span style=\"font-weight: 400;\">Para peneliti melakukan &#8220;bedah otak&#8221; digital pada LLM saat model tersebut membaca berbagai bahasa daerah.<\/span><\/p>\n<ul style=\"text-align: justify;\">\n<li style=\"font-weight: 400;\" aria-level=\"2\"><span style=\"font-weight: 400;\">Mencari Attention Head yang Aktif: Peneliti IAII melacak bagian sirkuit internal (<\/span><i><span style=\"font-weight: 400;\">attention heads<\/span><\/i><span style=\"font-weight: 400;\">) mana yang menyala ketika AI membaca kata berbahasa Jawa, Sunda, atau Minang.<\/span><\/li>\n<li style=\"font-weight: 400;\" aria-level=\"2\"><span style=\"font-weight: 400;\">Mekanisme Kemudi (Steering\/Shift): Setelah mengetahui <\/span><i><span style=\"font-weight: 400;\">head<\/span><\/i><span style=\"font-weight: 400;\"> mana yang bertanggung jawab atas bahasa tertentu, peneliti IAII melakukan intervensi atau pergeseran (<\/span><i><span style=\"font-weight: 400;\">shifting<\/span><\/i><span style=\"font-weight: 400;\">).<\/span><\/li>\n<\/ul>\n<p>&nbsp;<\/p>\n<p style=\"text-align: justify;\"><span style=\"font-weight: 400;\">Sederhananya, jika AI sedang membaca bahasa Madura namun mendadak bingung, peneliti bisa &#8220;menyetir&#8221; atau mengaktifkan sirkuit bahasa yang tepat secara paksa di dalam model agar hasil analisis sentimen aspeknya tetap akurat. Teknologi kemudi (<\/span><i><span style=\"font-weight: 400;\">steering<\/span><\/i><span style=\"font-weight: 400;\">) ini memastikan model tidak kehilangan akurasi meskipun mendadak terjadi percampuran bahasa (<\/span><i><span style=\"font-weight: 400;\">code-switching<\/span><\/i><span style=\"font-weight: 400;\">) dalam satu kalimat ulasan.<\/span><\/p>\n<p>&nbsp;<\/p>\n<p style=\"text-align: left;\"><b>5. Dampak dan Arah Masa Depan<\/b><\/p>\n<p style=\"text-align: justify;\"><span style=\"font-weight: 400;\">Riset ini tidak hanya meletakkan standar baru (SOTA) di kancah akademik internasional, tetapi juga membawa dampak sosial dan ekonomi yang nyata:<\/span><\/p>\n<ol style=\"text-align: justify;\">\n<li style=\"font-weight: 400;\" aria-level=\"2\"><span style=\"font-weight: 400;\">Sektor Pariwisata: Hotel-hotel lokal di daerah <\/span><span style=\"font-weight: 400;\">bisa memanfaatkan teknologi ini untuk memetakan kepuasan pelanggan secara objektif, bahkan dari ulasan yang ditulis menggunakan bahasa daerah.<\/span><\/li>\n<li style=\"font-weight: 400;\" aria-level=\"2\"><span style=\"font-weight: 400;\">Inklusi Digital: Bahasa-bahasa daerah di Indonesia tidak lagi dianaktirikan dalam perkembangan teknologi kecerdasan buatan global.<\/span><\/li>\n<\/ol>\n<p>&nbsp;<\/p>\n<p style=\"text-align: justify;\"><span style=\"font-weight: 400;\">Melalui kombinasi dataset multibahasa lokal, optimalisasi model generatif (SFT vs Agent), dan pembedahan sirkuit dalam LLM (<\/span><i><span style=\"font-weight: 400;\">mechanistic interpretability<\/span><\/i><span style=\"font-weight: 400;\">), riset ini diharapkan sukses mengantarkan Indonesia menjadi salah satu kiblat pengembangan <\/span><i><span style=\"font-weight: 400;\">Fine-Grained Sentiment Analysis<\/span><\/i><span style=\"font-weight: 400;\"> tingkat dunia.<\/span><\/p>\n<p>&nbsp;<\/p>\n<p><em>~Riset ini sedang berjalan.<\/em><\/p>\n","protected":false},"author":1,"featured_media":1070,"template":"","categories":[27],"class_list":["post-938","product-research","type-product-research","status-publish","has-post-thumbnail","hentry","category-research"],"acf":[],"_links":{"self":[{"href":"https:\/\/aiinstitute.id\/id\/wp-json\/wp\/v2\/product-research\/938","targetHints":{"allow":["GET"]}}],"collection":[{"href":"https:\/\/aiinstitute.id\/id\/wp-json\/wp\/v2\/product-research"}],"about":[{"href":"https:\/\/aiinstitute.id\/id\/wp-json\/wp\/v2\/types\/product-research"}],"author":[{"embeddable":true,"href":"https:\/\/aiinstitute.id\/id\/wp-json\/wp\/v2\/users\/1"}],"wp:featuredmedia":[{"embeddable":true,"href":"https:\/\/aiinstitute.id\/id\/wp-json\/wp\/v2\/media\/1070"}],"wp:attachment":[{"href":"https:\/\/aiinstitute.id\/id\/wp-json\/wp\/v2\/media?parent=938"}],"wp:term":[{"taxonomy":"category","embeddable":true,"href":"https:\/\/aiinstitute.id\/id\/wp-json\/wp\/v2\/categories?post=938"}],"curies":[{"name":"wp","href":"https:\/\/api.w.org\/{rel}","templated":true}]}}