ABSTRAKSI: Opini sangat berguna untuk mengetahui tanggapan orang lain akan suatu hal yang bisa dimanfaatkan sebagai feedback bagi personal atau organisasi. Melihat fenomena ini, Opinion Retrievaldapat dimanfaatkan untuk mengambil opini dari sebuah dokumen mengenai suatu topik terkait. Opinion Retrievaladalah sebuah proses pengambilan relevan dokumen, dimana dokumen di-ranking berdasarkan opini yang terkandung di dalamnya. Untuk mendeteksi keberadaan opini dalam dokumen pada umumnya digunakan kamus eksternal seperti kamus adjektiva (kata opini). Namun pada Tugas Akhir ini akan digunakan pendekatan Investigating Learning, yang artinya dengan pendekatan ini tidak menggunakan kamus eksternal apapun. Sistem ini akanmenginvestigasi kata-kata yang berada padatrainingberupa dokumen opini untuk membuat daftar bobot opini setiap term pada dokumen relevan hasil dari sistem Information Retrievalmenggunakan metode Weighted Log Likelihood Ratio (WLLR). Sistem ini akan menghasilkan dokumen yang relevan dengan topik/query dan mengandung opini. Untuk evaluasi sistem, digunakan perhitungan Akurasi untuk melihat performansi pembentukan daftar bobot opini term dan menggunakan Mean Opinion Score (MOS) untuk mengukur relevansi hasil yang dikeluarkan oleh sistem. Didapatkan Akurasisebesar 68 % sebagai nilai performansi pembuatan kamus bobot opini, 72 % sebagai nilai perankingan dokumen opini, dan MOS sebesar 3,36 dari 5, untuk ukuran relevansi hasil eksekusi query.Kata Kunci : Opinion Retrieval, Posting Blog, WLLRABSTRACT: Opinion is very useful to see what people think about something and can be used as a feedback for personal or. Seeing this phenomenon, Opinion Retrieval can be used to take the opinion of documents on a related topic. Opinion Retrieval is a process of relevant document retrieval, where the retrieved documents are ranked based on opinion contained in that documents. To detect the presence of opinion on document is usually use external resources such as opinion wordlist. However, for this final project will be used Investigating Learning approach, which means that this approach doesn’t use any external resources. This system will investigate words from training set that contains the opinion documents to create a list of opinions weight for each term in the relevant documents, the result of Information Retrieval system usingWeighted Log Likelihood Ratio (WLLR).This system will produce document relevant to the topic/query and contains opinion. For evaluate this system, will used Akurasi calculation to see the performance of opinion weight list building, and use Mean Opinion Score (MOS) to calculate the relevances results rate. The result of performance opinion weight building as accurate is 68%, 72 % for system rank of opinionated documentss and result of relevances rate as MOS is 3,36 out of 5.Keyword: Opinion Retrieval, PostingBlog, WLLR