Cara Melakukan Sentimen Analisis Menggunakan Python

Analisis Sentimen adalah proses ‘komputasi’ menentukan apakah suatu karya tulis positif, negatif atau netral. Itu juga dikenal sebagai penambangan opini, yang berasal dari pendapat atau sikap pembicara.

Analisis Sentimen adalah tugas umum NLP (Natural Language Processing) yang perlu dilakukan oleh Data Scientist. Tulisan ini merupakan panduan secara singkat untuk membuat supervised classifier ulasan sebuah artikel dengan menggunakan Python. Tools dan data yang dibutuhkan yaitu :

• Python IDE (pada tutorial ini menggunakan Jupyter Notebook)
• Data training 1
• Data training 2

Sekilas Data

Untuk analisis ini, kita akan menggunakan dataset dari data training 1, yaitu data dari 100 tweet mengenai mati lampu yang terjadi akibat pemadaman oleh pihak terkait. Data ini telah di-cleaning sebelumnya untuk membersihkan kata – kata yang tidak diinginkan (menggunakan Regex) . Data ini dikompilasi menjadi 3 jenis sentimen yaitu positif, negatif dan netral.

Kemudian akan kita gunakan data tersebut untuk training model classifier kita. Model classifier tersebut akan kita uji pada kalimat yang kita buat sendiri. 

Load Data

Pada langkah awal, kita me-load dataset yang sudah kita download sebelumnya. Pastikan untuk menunjuk ke direktori tempat menyimpan dataset.

Preprocess

Pada tahap preprocess ini dilakukan proses vektorisasi. Tujuannya adalah mengubah setiap tweet menjadi representasi numerik sehingga data tersebut dapat diproses oleh algoritma machine learning.

Build Classifier

Sekarang kita telah mengubah dataset kita menjadi format yang sesuai untuk pemodelan. Kemudian kita dapat mulai membuat classifier.

Kita akan mencoba membuat model classifier menggunakan algoritma SVM. Kita perlu mempertimbangkan parameter – parameter yang digunakan seperti besar nilai C atau gamma

Result: Testing

Kita telah berhasil membuat model classifier sentimen analisis kita. Model classifier ini dapat mengkategorikan kalimat dengan kecenderungan secara berturut – turut : kalimat negatif, netral, dan positif.