Analisis Sentimen Ulasan Produk

Info proyek

• KategoriAnalisis Teks (Text Mining)
• Bidang bisnisPemasaran Digital
• TingkatLanjut
• Langkah9 langkah
• Datasetulasan_produk.csv · 2.400 baris × 3 kolom
• Harga proyekRp 449.000
• Tahun2026

Operator RapidMiner 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

Alur proses (9 langkah)

1. 1

   Baca ulasan

   Read CSV memuat ulasan_produk.csv (2.400 ulasan). Kolom ulasan dibaca sebagai teks, sentimen sebagai label binominal, id_ulasan sebagai id.

2. 2

   Tetapkan kelas positif

   Remap Binominals menetapkan "positif" sebagai kelas positif dan "negatif" sebagai kelas negatif.

3. 3

   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.

4. 4

   Pilih atribut kata

   Select Attributes dengan regular expression w_.* hanya menyisakan kolom kata dan label; teks asli dibuang.

5. 5

   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.

6. 6

   Bagi dan gandakan data

   Split Data (stratified, 70:30) lalu Multiply menyalurkan data latih ke dua model dan pembobot kata, serta data uji ke dua penilaian.

7. 7

   Latih Naive Bayes dan SVM

   Naive Bayes memakai Laplace correction; Support Vector Machine (LibSVM) memakai kernel linear dengan C = 10.

8. 8

   Uji dan bandingkan

   Apply Model dan Performance (Binominal Classification) menghitung akurasi, precision, recall, F-measure, dan AUC untuk tiap model pada data uji.

9. 9

   Cari kata paling berpengaruh

   Weight by Information Gain memberi bobot tiap kata. Weights to Data dan Write CSV menyimpannya agar bisa diurutkan dan dibaca di Excel.

Dataset

Hasil proses

• 92,1%Akurasi SVM (data uji)
• 91,8%Akurasi Naive Bayes (data uji)
• 0,927F-measure SVM
• 0,923 / 0,895AUC SVM / Naive Bayes
• menyesalKata paling berpengaruh

Galeri

Pertanyaan umum tentang Analisis Sentimen Ulasan Produk