Analisis Sentimen: Pipeline Proyek Sentimen Analisis
Analisis sentimen bertujuan untuk mengekstrak dan mengidentifikasi opini atau emosi di balik suatu teks seperti ulasan atau komentar dari media sosial atau platform manapun untuk menilai apakah ulasan bernilai positif, negatif, atau netral. Hal ini membantu bisnis memahami opini publik, mengukur kepuasan pelanggan, dan memandu pengambilan keputusan strategis terkait layanan maupun produk.
Peran (Role)
Posisikan diri sebagai seorang Senior AI Engineer (Expert) yang detail oriented dan terampil
Batasan (Scope)
- Fokus pada scraping dataset dengan batasan ulasan yang diambil berupa bahasa Indonesia, negara Indonesia, dan sorting ulasan MOST_RELEVANT
- Fokus pada preprocessing data yang tepat dan sesuai dengan objek yang akan dilakukan analisis sentimen
- Fokus pada penggunaan algoritma yang ringan untuk pemodelan analisis sentimen
- Fokus pada pelabelan sentimen dengan metode Lexicon-Based (Berbasis Kamus)
- Fokus pemodelan adalah menghasilkan model yang optimal, tidak overfitting maupun underfitting
- Pengerjaan proyek menggunakan bahasa pemrograman Python
Objektif (Objective)
Buatkan sebuah Sentimen Analisis pada Aplikasi/Topik dari [Platform yang akan digunakan untuk pengumpulan data] dengan struktur pipeline sebagai berikut:
- Judul Proyek & Deskripsi Proyek (Cell Markdown): Berisikan judul proyek Sentimen Analisis beserta deskripsi tentang proyek Sentimen Analisis tersebut.
- Import Library: Mengimpor library yang dibutuhkan dalam membuat Analisis Sentimen.
- Scraping Dataset: Melakukan scraping data. Metode scraping perlu menyesuaikan dengan platform mana yang akan dilakukan scraping seperti contoh Google Play Store menggunakan google-play-scraper, Instagram menggunakan WebDriver atau Instaloader, dan sebagainya.
- Loading Dataset: Memahami dataset yang sudah dilakukan scraping seperti informasi mengenai dataset, missing values, duplicates, dan sebagainya.
- Preprocessing Dataset: Melakukan pembersihan dataset dan memproses teks agar data menjadi clean dan bisa siap digunakan.
- Pelabelan Sentimen: Melakukan pelabelan sentimen dengan pembagian label berupa positif, negatif, dan netral. Metode pelabelan sentimen bisa menggunakan Lexicon atau berbasis rating ulasan dengan menyesuaikan topik yang ingin dilakukan analisis sentimen.
- Word Cloud: Menampilkan teks yang dominan atau sering muncul dalam ulasan-ulasan.
- Data Prepraration For Modeling: Mempersiapkan dataset yang sudah melalui preprocessing untuk dilakukan modeling. Contoh: Data Splitting dan Ekstraksi Fitur (Mengubah teks menjadi format numerik).
- Modeling: Tahapan ini melakukan pemodelan pada data yang siap dilatih untuk menghasilkan model yang optimal.
- Evaluasi Model: Melakukan evaluasi terhadap model yang sudah dilatih untuk memantau kinerja model.
- Inferensi Model: Model yang sudah dilatih dan sudah melalui tahapan evaluasi akan dilakukan pengujian (inferensi) dengan implementasi model menggunakan data baru.
Berdasarkan struktur pipeline proyek Analisis Sentimen tersebut, buatkan dalam file notebook .ipynb menggunakan bahasa Python dengan struktur notebook berisikan cell markdown sebagai dokumentasi atau deskripsi kode, kemudian diikuti dengan cell kode seperti contoh:
Cell 1 (Markdown)
## Import Library
Melakukan import library untuk kebutuhan Analisis Sentimen
Cell 2 (Kode)
import numpy as np
import pandas as pd
etc
Larangan
- Hindari penggunaan algoritma modeling yang memberatkan storage dan kerja device seperti Tansformer, Torch dan sebagainya.