Analisis sentimen
Sentimen teks dengan kamus kata atau Naive Bayes berlabel.
Untuk apa dipakai
- Mengklasifikasi atau memprediksi
- Menganalisis data wawancara atau teks
Data yang dibutuhkan
Minimal satu kolom teks (komentar atau jawaban terbuka).
Unggah file Excel (.xlsx) atau CSV. Aplikasi memeriksa kecocokan data dengan metode sebelum analisis dijalankan, dan token tidak terpotong bila analisis gagal.
Cara membaca hasilnya
Mengelompokkan komentar teks menjadi positif, negatif, atau netral.
- Jumlah dan persentase tiap sentimen
- Gambaran kecenderungan opini secara keseluruhan.
- Kata yang sering muncul
- Petunjuk tema yang dibahas responden.
- Contoh komentar per kelompok
- Dibaca untuk memastikan label masuk akal.
Perlu diwaspadai
- Metode berbasis kamus bisa keliru pada sindiran atau bahasa gaul; periksa sebagian komentar secara manual.
Bantuan — proses & rumus
Tahap komputasi yang dijalankan OlahData untuk metode ini, lengkap dengan rumus dan rujukannya.
Mode kamus mencocokkan kata dalam teks dengan daftar kata positif/negatif (Indonesia/Inggris) dan menghitung skor ternormalisasi; mode terawasi melatih Naive Bayes pada kolom label yang sudah ada (positif/negatif/netral) dan dinilai dengan validasi silang.
Skor = (jumlah kata positif − jumlah kata negatif) dibagi jumlah kata dalam dokumen, dinormalkan ke rentang -1 sampai +1; dokumen dengan skor dalam batas netral yang diisi dikategorikan netral.
skor = (kata_positif − kata_negatif) ÷ total_kata
Model Naive Bayes multinomial dilatih pada representasi bag-of-words dengan penghalus Laplace (α), dinilai dengan validasi silang berlapis; kata paling khas tiap kelas dilihat dari rasio peluang munculnya kata itu pada kelas tersebut dibanding kelas lain.
Bila ada label, hasil kamus dapat dibandingkan dengan label sebenarnya menggunakan confusion matrix, akurasi, F1 makro, dan kappa — sama seperti evaluasi model klasifikasi pada umumnya.
| Ukuran | Ambang batas | Rujukan |
|---|---|---|
| Kappa Cohen (kamus vs label) | > 0,80 sangat baik; 0,60-0,80 baik; < 0,40 lemah | Cohen (1960) |
- Liu, B. (2012). Sentiment analysis and opinion mining. Morgan & Claypool.
- Pang, B., Lee, L., & Vaithyanathan, S. (2002). Thumbs up? Sentiment classification using machine learning techniques. Proceedings of EMNLP 2002, 79-86.
- Hutto, C. J., & Gilbert, E. (2014). VADER: A parsimonious rule-based model for sentiment analysis of social media text. Proceedings of ICWSM, 8(1), 216-225.
- McCallum, A., & Nigam, K. (1998). A comparison of event models for Naive Bayes text classification. AAAI-98 Workshop on Learning for Text Categorization, 41-48.
- Manning, C. D., Raghavan, P., & Schütze, H. (2008). Introduction to information retrieval. Cambridge University Press.
Liu (2012); Pang dkk. (2002)
Contoh hasil
Contoh hasil dengan data fiktif untuk metode ini sedang disiapkan.
Cuplikan persiapan sidang
Contoh pertanyaan yang lazim diajukan penguji untuk metode ini.
Bagaimana analisis sentimen bekerja?
Teks dibersihkan, lalu kata-katanya dicocokkan dengan kamus kata bermuatan positif dan negatif untuk menghitung skor. Skor menentukan apakah teks bersentimen positif, negatif, atau netral.
Seberapa akurat dan apa keterbatasannya?
Pendekatan berbasis kamus tidak selalu menangkap sindiran, istilah gaul, atau konteks. Karena itu sebagian hasil perlu diperiksa manual, dan akurasinya sebaiknya dilaporkan dari sampel yang dikodekan sendiri.
Daftar lengkap tersedia di halaman hasil untuk proyek berjenjang S1, S2, atau S3.
Ingin mencoba dengan data Anda?
Hasilnya disertai tabel, grafik, narasi, dan penjelasan prosesnya.