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.
Tujuan Bisnis
Ubah ulasan pelanggan berbahasa Indonesia menjadi sentimen positif atau negatif. Bidang penerapan: Pemasaran Digital. Tingkat proyek: lanjut.
Alat dan Operator RapidMiner
Proses dibangun dengan operator berikut:
- 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
Yang Akan Anda Pelajari
- Memahami alur penambangan teks: kata menjadi atribut, TF-IDF, lalu klasifikasi
- Membandingkan Naive Bayes dan SVM untuk teks pada data uji yang sama
- Mengetahui kata mana yang paling menentukan sentimen sebagai bahan perbaikan produk dan layanan
Langkah Pengerjaan
- Baca ulasan — Read CSV memuat ulasan_produk.csv (2.400 ulasan). Kolom ulasan dibaca sebagai teks, sentimen sebagai label binominal, id_ulasan sebagai id.
- Tetapkan kelas positif — Remap Binominals menetapkan "positif" sebagai kelas positif dan "negatif" sebagai kelas negatif.
- Ubah teks menjadi atribut kata — Generate Attributes membuat satu kolom 0/1 untuk setiap kata kunci (misalnya w_bagus, w_kecewa) dengan rumus if(contains(lower(ulasan),"bagus"),1,0). Frasa seperti "tidak puas" ikut dibuat agar negasi tertangkap. Ini setara tahap tokenisasi pada operator pengolah teks.
- Pilih atribut kata — Select Attributes dengan regular expression w_.* hanya menyisakan kolom kata dan label; teks asli dibuang.
- Beri bobot TF-IDF — Generate TFIDF memberi bobot lebih tinggi pada kata yang jarang muncul di banyak ulasan. Replace Missing Values mengisi 0 untuk ulasan tanpa kata kunci.



