Data yang menumpuk tidak ada artinya kalau tidak pernah dibaca. Kami bantu mengolahnya jadi angka yang bisa dipakai mengambil keputusan.
Halaman ini untuk pengerjaan Analisis Sentimen Ulasan Produk Berbahasa Indonesia dengan TF-IDF, Naive Bayes, dan SVM menggunakan RapidMiner. Proyek ini mengklasifikasikan 2.400 ulasan produk fiktif berbahasa Indonesia menjadi sentimen positif atau negatif. Teks diubah menjadi atribut kata dengan pembobotan TF-IDF, lalu Naive Bayes dan SVM dibandingkan, dan kata-kata paling berpengaruh ditampilkan untuk dibaca tim pemasaran.
Yang Anda Terima
- Proses RapidMiner (.rmp) siap jalan, lengkap dengan pengaturan operator yang bisa Anda buka dan ubah
- Dataset yang sudah dibersihkan: duplikat, format berantakan, dan nilai kosong dirapikan dulu
- Hasil analisis berupa tabel CSV/Excel, misalnya akurasi svm (data uji)
- Laporan interpretasi manajerial dalam bahasa yang dimengerti orang non-teknis, lengkap dengan rekomendasi tindakan
- Sesi penjelasan hasil dan panduan singkat menjalankan ulang prosesnya
Operator yang Dipakai
Read CSV, Remap Binominals, Generate Attributes, Select Attributes, Generate TFIDF, Replace Missing Values, Split Data, Multiply, Weight by Information Gain, Naive Bayes, Support Vector Machine (LibSVM), Apply Model, Performance (Binominal Classification), Performance to Data, Weights to Data, Write CSV.
Contoh Hasil pada Proyek Portofolio
- Akurasi SVM (data uji): 92,1%
- Akurasi Naive Bayes (data uji): 91,8%
- F-measure SVM: 0,927
- AUC SVM / Naive Bayes: 0,923 / 0,895
- Kata paling berpengaruh: menyesal
Bagaimana Prosesnya
- Pemetaan pertanyaan — kami pastikan dulu keputusan apa yang mau diambil dari data ini
- Audit data — cek kelengkapan dan kualitas data sebelum dianalisis
- Pengolahan dan pemodelan — proses dijalankan di RapidMiner, asumsi dan parameter dicatat terbuka
- Review bersama — hasil dibahas, arah analisis bisa disesuaikan
- Serah terima — file proses, dataset bersih, dan laporan interpretasi



