Analisis sentimen ribuan ulasan sekaligus dalam satu batch

Apa yang sebenarnya diukur oleh sentiment analysis

Sentiment analysis mengembalikan respons biner (positif/negatif) atau skor -1 hingga +1 untuk sebuah teks. Terdengar sederhana, tapi siapa pun yang menggunakannya akan segera menyadari: sebuah kalimat bisa terdengar netral secara gramatikal namun sarat emosi pada saat yang sama.

Contoh:
- "Produknya sudah sampai." — netral secara gramatikal, tapi dibandingkan dengan "sampainya super cepat!" ini terasa negatif secara relatif
- "Berfungsi sesuai harapan." — terkesan positif, tapi bagi yang mengharapkan lebih, ini adalah kekecewaan
- "Tidak akan pernah beli lagi." — jelas negatif, meski tanpa kata negatif yang eksplisit

Model NLP modern mampu menangkap 92%+ nuansa seperti ini dalam bahasa Indonesia. Namun Anda tetap perlu menginterpretasikan skor tersebut dalam konteks bisnis Anda.

Cara memproses 10.000 ulasan dalam 60 detik

Brainiall menyediakan endpoint batch yang menerima array hingga 1.000 teks per request. Untuk 10.000 ulasan:

1. Bagi menjadi 10 batch masing-masing 1.000
2. Kirim secara paralel via asyncio
3. Terima hasil terstruktur dalam JSON
4. Total latensi: 30-60 detik untuk 10 ribu teks

Melalui kode Python:

`python
import httpx, asyncio

async def analyze_batch(texts):
async with httpx.AsyncClient(timeout=60) as client:
r = await client.post(
"https://api.brainiall.com/api/nlp/sentiment/batch",
json={"texts": texts},
headers={"Authorization": "Bearer brnl-xxxxx"}
)
return r.json()

results = asyncio.run(analyze_batch(reviews[:1000]))
`

Lebih dari sekadar positif/negatif: aspect-based sentiment

Sebuah ulasan bisa mengandung pendapat yang saling bertentangan tentang aspek yang berbeda:
> "Makanannya luar biasa, tapi pelayannya kasar dan harganya selangit."

Sentimen keseluruhan: -0.1 (sedikit negatif). Tapi Anda kehilangan informasi penting:
- Makanan: +0.9 (sangat positif)
- Pelayanan: -0.7 (sangat negatif)
- Harga: -0.6 (negatif)

Aspect-based sentiment mengekstrak aspek-aspek tersebut dan memberi skor pada masing-masing. Sangat berguna untuk analisis kompetitif, feedback produk, dan NPS yang lebih kaya.

Kesalahan klasik yang sering dilakukan pemula

• Mengabaikan besaran skor: sentimen -0.1 dan -0.9 diperlakukan sama dalam analisis biner. Selalu gunakan skor kontinu.
• Tidak menyaring berdasarkan relevansi: ulasan seperti "oke saja" tetap masuk ke dalam data — padahal tidak memberikan informasi apa pun. Saring berdasarkan panjang minimum dan keragaman leksikal.
• Agregasi yang naif: rata-rata sederhana dari skor bisa menyembunyikan bimodalitas (setengah sangat suka, setengah sangat tidak suka = rata-rata netral). Selalu tampilkan histogramnya.
• Bahasa campuran: model multibahasa memiliki akurasi rata-rata 10% lebih rendah. Jika memungkinkan, deteksi bahasa terlebih dahulu dan gunakan model yang didedikasikan.

Kasus penggunaan praktis

• Voice of Customer: analisis semua ulasan sebuah produk + bandingkan dengan kompetitor
• Media sosial: pantau sebutan merek Anda di Twitter/Reddit secara real-time
• Feedback internal: analisis respons survei iklim kerja di perusahaan besar
• Prioritisasi dukungan: tiket dengan sentimen sangat negatif = prioritas tinggi
• A/B testing kualitatif: apakah salah satu varian mendapatkan lebih banyak ulasan positif?

Coba sekarang juga

Di chat Brainiall, minta "analisis sentimen ulasan ini: [teks]". Untuk batch, gunakan endpoint /api/nlp/sentiment/batch via API. Pro Rp 49rb sudah mencakup penggunaan yang sangat generous; Business menawarkan kredit API untuk memproses jutaan data melalui integrasi eksternal.