Perusahaan kini memakai AI untuk membaca data pelanggan, memantau percakapan publik, mengukur reputasi, memetakan isu, dan membantu pengambilan keputusan strategis. Dalam media monitoring dan social media monitoring, AI mengolah jutaan data dalam waktu singkat,  sesuatu yang tidak mungkin dikerjakan tim manusia sendirian.

Tapi kecepatan itu punya batas. Sistem bisa menghitung berapa banyak percakapan negatif muncul hari ini, dan kata apa yang paling sering dibicarakan. Yang lebih sulit dijawab: kenapa publik marah? Apakah komentar itu kritik serius atau sarkasme? Apakah AI membaca konteks politik, budaya, dan emosi di balik sebuah percakapan, atau hanya menghitung kata?

Di titik itu Human-in-the-Loop dalam analisis sentimen jadi relevan. Pendekatan ini tidak mengganti manusia dengan AI, AI mempercepat pengolahan data, manusia memvalidasi hasil, membaca konteks, dan menerjemahkan data menjadi insight yang bisa dipakai untuk keputusan bisnis. Bagi perusahaan, angka positif-negatif-netral saja tidak cukup. Reputasi dibentuk oleh narasi yang berkembang, aktor yang terlibat, kanal yang menyebarkan isu, dan cara publik menafsirkan tindakan perusahaan  bukan cuma volume percakapan.

AI Makin Diadopsi, Tapi Keputusan Strategis Tetap Butuh Manusia

Laporan Deloitte “State of AI in the Enterprise” menunjukkan adopsi AI terus berkembang untuk mendorong produktivitas dan efisiensi. AI sudah masuk ke proses operasional dan strategi bisnis, bukan lagi sekadar eksperimen teknologi.

Semakin luas AI dipakai, semakin besar juga kebutuhan pengawasan manusia. Ketika AI mulai memengaruhi keputusan penting, hasilnya harus bisa dipercaya, dijelaskan, dan dipertanggungjawabkan, perusahaan tidak cukup hanya mengejar automasi.

Laporan PwC “Global M&A Industry Trends”  menunjukkan pola serupa di ranah lain: AI membantu screening, due diligence, valuasi, dan analisis transaksi, tapi dalam keputusan bernilai besar, human judgement tetap menentukan. Data mempercepat proses; pengalaman dan pemahaman konteks menentukan kualitas keputusan.

Logika yang sama berlaku dalam analisis sentimen. AI membantu perusahaan melihat pola percakapan publik, tapi keputusan komunikasi tidak boleh hanya bersandar pada dashboard. Perusahaan tetap butuh orang yang menilai apakah sebuah isu benar-benar berbahaya, perlu direspons, atau cukup dipantau. Human-in-the-Loop dalam analisis sentimen jadi jembatan antara data dan keputusan itu.

Apa Itu Human-in-the-Loop dalam Analisis Sentimen?

Human-in-the-Loop dalam analisis sentimen melibatkan manusia dalam proses kerja AI, terutama di tahap validasi, koreksi, interpretasi, dan pengambilan keputusan. AI tidak dibiarkan bekerja otomatis tanpa pengawasan.

AI bertugas mengumpulkan dan mengolah data unggahan media sosial, komentar publik, forum, video, dan percakapan digital lain, lalu memberi klasifikasi awal seperti positif, negatif, netral, campuran, atau tidak relevan. Klasifikasi awal itu belum tentu kesimpulan akhir. Manusia perlu memeriksa apakah label yang diberikan AI sudah tepat: komentar yang terlihat positif, jangan-jangan sindiran? Kritik terhadap perusahaan datang dari pelanggan nyata, atau sekadar ikut tren? Sentimen negatif dipicu produk, layanan, harga, kebijakan, atau isu lain yang menempel pada perusahaan? Tanpa Human-in-the-Loop, analisis sentimen berhenti di angka. Dengan Human-in-the-Loop, perusahaan memahami cerita di balik angka itu.

Contoh sederhana: sebuah perusahaan melihat sentimen negatif naik setelah peluncuran produk baru. AI mungkin menunjukkan kata “mahal”, “kecewa”, dan “tidak sesuai” sebagai kata dominan. Analis manusia perlu membaca lebih dalam mengenai makna kalimat:  publik kecewa karena harga, kualitas produk, komunikasi promosi, atau ekspektasi yang tidak terpenuhi? Mesin jarang bisa menjawab pertanyaan itu sendiri.

Mengapa Analisis Sentimen Tidak Bisa Sepenuhnya Diotomatisasi?

Analisis sentimen terlihat sederhana di permukaan: sistem membaca teks, mengenali kata tertentu, memberi label. Masalahnya, bahasa manusia jauh lebih rumit daripada daftar kata.

Satu kata bisa berarti berbeda tergantung konteks. Kata “bagus” bisa jadi pujian, bisa juga sindiran. Kalimat “bagus sekali pelayanannya, saya sampai menunggu dua jam” secara literal mengandung kata positif, tapi maknanya jelas negatif.

Sumber: Dashboard Socindex

Percakapan digital Indonesia memperbesar tantangan ini. Publik mencampur bahasa Indonesia, bahasa daerah, slang, emoji, singkatan, meme, dan referensi budaya populer. Komentar yang tampak ringan bisa menyimpan kritik keras; komentar negatif belum tentu menandakan krisis kalau konteksnya cuma candaan.

Riset tentang “Computational sarcasm analysis on social media” menunjukkan bahwa sarkasme jadi tantangan penting dalam analisis sentimen karena makna literal kalimat sering berbeda dari maksud sebenarnya. Studi lain tentang “Detecting sarcasm in multimodal social platforms”  menambahkan bahwa pemahaman sarkasme di media sosial juga bergantung pada konteks visual dan format platform, bukan hanya teks. AI membantu membaca pola. Membaca makna tetap kerja manusia.

Dari Sentimen ke Pemahaman Narasi

Kelemahan umum analisis sentimen: terlalu fokus pada klasifikasi positif-negatif-netral, padahal sentimen hanya permukaan. Di baliknya ada narasi yang membentuk persepsi publik.

Sentimen negatif bisa muncul karena banyak hal  kekecewaan terhadap layanan, kemarahan soal harga, keraguan terhadap komitmen perusahaan, atau framing media. Kadang sentimen negatif justru dipicu isu eksternal yang menempel pada perusahaan.

Kalau perusahaan hanya membaca angka negatif, responsnya biasanya generik: pernyataan bahwa mereka “mendengarkan aspirasi publik” atau “berkomitmen meningkatkan layanan.” Respons semacam itu sering tidak menjawab akar masalah, karena akar masalahnya tidak pernah benar-benar dibaca.

Human-in-the-Loop membantu perusahaan naik dari sentiment tracking ke narrative intelligence dari pertanyaan “berapa banyak percakapan negatif?” ke “narasi apa yang membuat publik bereaksi?” Sebuah isu bisa bermula dari keluhan konsumen, berkembang jadi kritik terhadap manajemen, masuk ke pemberitaan media, lalu jadi percakapan publik yang lebih luas. Kalau perusahaan hanya menatap angka sentimen, eskalasi seperti ini gampang terlambat terbaca. Analis manusia yang membaca perubahan itu: siapa aktor yang mendorong isu, bagaimana angle pemberitaan media, emosi publik yang dominan, dan risiko reputasi kalau isu dibiarkan berkembang.

Peran Manusia dalam Validasi Hasil AI

Dalam sistem Human-in-the-Loop, manusia tidak menggantikan AI. Perannya memastikan hasil AI tidak keliru, tidak dangkal, dan tidak menyesatkan lewat beberapa jalur.

Manusia menetapkan definisi sentimen, karena tidak semua organisasi membacanya dengan standar yang sama. Kritik pelanggan bisa dianggap negatif, atau masukan konstruktif, tergantung konteks penyampaiannya. Manusia juga memeriksa data yang ambigu  tidak semua data perlu dibaca manual, tapi percakapan yang mengandung sarkasme, isu sensitif, konflik publik, atau potensi krisis reputasi butuh validasi orang. Manusia membaca bobot isu: AI mungkin mendeteksi kata “boikot” muncul dalam percakapan, tapi menilai apakah itu ancaman serius atau ekspresi emosional sesaat tetap kerja manusia.

Koreksi manusia juga memberi feedback ke sistem. Kalau AI sering salah membaca komentar sarkastik atau bahasa lokal, koreksi itu dipakai memperbaiki model, sehingga sistem jadi lebih akurat dari waktu ke waktu. Pada akhirnya, manusia yang menentukan implikasi bisnis, AI menunjukkan sentimen negatif naik, tapi pertanyaan strategisnya tetap perlu dijawab orang: perlu direspons? Perlu klarifikasi? Eskalasi ke manajemen, atau cukup dipantau? Dalam hal ini AI menghasilkan output sementara manusia yang mengubahnya jadi keputusan.

Risiko Jika Perusahaan Hanya Mengandalkan AI

Mengandalkan AI sepenuhnya dalam analisis sentimen membawa beberapa risiko konkret.Salah klasifikasi adalah contoh yang paling sering terjadi: AI bisa keliru membaca sarkasme, bahasa lokal, konteks politik, atau komentar dengan emosi campuran, dan kesalahan yang terjadi dalam jumlah besar bisa menyesatkan seluruh analisis. Dari situ muncul risiko overreaction, perusahaan panik melihat sentimen negatif naik, padahal isu itu hanya ramai di komunitas kecil tanpa daya sebar besar, dan respons yang terlalu cepat justru memperbesar isu. Sebaliknya ada underreaction: perusahaan menganggap situasi aman karena sentimen belum terlihat ekstrem, padahal narasi negatif sedang dibangun perlahan oleh aktor berpengaruh.

Ada juga risiko bias data. AI bekerja berdasarkan data dan model yang dipakai untuk melatihnya; kalau data latih tidak representatif, hasilnya bias karena akurat membaca bahasa formal, tapi lemah membaca slang, meme, atau bahasa daerah. Hal yang paling mendasar: lemahnya akuntabilitas. Dalam keputusan strategis, perusahaan tidak bisa hanya berkata “sistem menyarankan demikian.” Harus ada orang yang memahami, memeriksa, dan bertanggung jawab atas interpretasi akhir.

Peran Binokular dalam Human-in-the-Loop Analisis Sentimen

Dalam praktik media monitoring, perusahaan tidak cuma butuh sistem yang cepat mengumpulkan data. Mereka butuh proses analisis yang bisa membedakan percakapan yang benar-benar berisiko dari yang sekadar ramai sesaat. Di sinilah pendekatan Human-in-the-Loop relevan bagi platform seperti Binokular.

Binokular membantu perusahaan membaca pemberitaan media, percakapan publik, dan dinamika isu secara lebih terstruktur. Lewat pemantauan media dan analisis sentimen, perusahaan bisa melihat bagaimana sebuah isu berkembang, siapa aktor yang paling banyak disebut, kanal mana yang paling aktif, dan bagaimana sentimen publik bergerak dari waktu ke waktu.

Sumber: Dasboard Newstensity

Namun nilai media monitoring tidak berhenti di dashboard. Data yang muncul perlu diterjemahkan jadi insight. Ketika sentimen negatif terhadap sebuah perusahaan naik, pertanyaan berikutnya bukan cuma “berapa banyak percakapan negatif?” tapi apa penyebabnya, siapa yang mendorong narasi itu, apakah berpotensi jadi krisis, dan respons apa yang paling tepat.

Analis manusia yang menjawab pertanyaan-pertanyaan itu. Binokular mempercepat pengumpulan dan pengelompokan data; analis membaca konteks, memvalidasi hasil, dan menyusun rekomendasi. Kombinasi ini membuat Binokular relevan bukan sekadar sebagai tools pemantauan media, tapi sebagai bagian dari sistem pendukung keputusan tempat perusahaan memahami reputasi, mengantisipasi risiko komunikasi, mengevaluasi kampanye, dan menentukan respons yang lebih tepat terhadap isu publik.

Dari Dashboard ke Decision Support System

Banyak perusahaan sudah punya dashboard analisis sentimen. Tapi tidak semua dashboard menghasilkan keputusan yang baik. Dashboard yang hanya menampilkan angka positif-negatif-netral, volume percakapan, dan word cloud belum tentu cukup untuk membaca situasi agar angka terlihat objektif, grafik terlihat rapi, klasifikasi terlihat meyakinkan, padahal kalau data mentah keliru atau interpretasinya dangkal, dashboard cuma membuat kesalahan terlihat lebih profesional.

Human-in-the-Loop mengubah dashboard jadi decision support system. Angka tetap ditampilkan, tapi disertai konteks. Grafik tetap dipakai, tapi maknanya dijelaskan. Word cloud tetap berguna, tapi bukan kesimpulan akhir.

Dashboard yang matang menjawab tiga pertanyaan: apa yang sedang terjadi, mengapa itu terjadi, dan apa yang sebaiknya dilakukan. AI kuat menjawab yang pertama. Dua pertanyaan sisanya tetap butuh manusia.

Kesimpulan

Analisis sentimen kini jadi bagian penting strategi komunikasi, reputasi, dan pengambilan keputusan bisnis. AI membuat prosesnya jauh lebih cepat. Tapi opini publik tidak selalu bisa dibaca literal, ada sarkasme, ironi, emosi campuran, konteks sosial, dinamika politik, dan perbedaan gaya bahasa antarplatform yang mesin belum tentu tangkap.

Human-in-the-Loop dalam analisis sentimen menjawab celah itu. AI mengolah data dalam jumlah besar; manusia memvalidasi, menginterpretasikan, dan menerjemahkan hasilnya jadi keputusan yang tepat. Tantangan bagi perusahaan bukan memilih antara AI atau manusia, tapi membangun sistem yang menggabungkan keduanya secara proporsional yang pada akhirnya perusahaan tidak hanya cepat membaca publik, tapi benar-benar memahami apa yang sedang publik rasakan, persoalkan, dan harapkan.

Kontributor

Muhammad Reza

Aan K. Riyadi