Description

Latar Belakang

Di era digital ini, komentar pengguna di media sosial, forum, dan platform daring lainnya semakin bertambah. Komentar-komentar tersebut mencerminkan opini, pengalaman, serta sentimen dari pengguna mengenai suatu topik, produk, atau layanan. Namun, jumlah komentar yang sangat besar dan beragam membuat analisis manual menjadi sulit dan memakan waktu. Oleh karena itu, diperlukan suatu alat atau sistem otomatis yang dapat membantu dalam menganalisis sentimen komentar secara cepat dan akurat.

Di sisi teknologi, Support Vector Machine (SVM) adalah algoritma yang sering digunakan dalam klasifikasi teks karena kemampuannya dalam menangani data yang tidak seimbang dan beragam. Dengan menggunakan SVM, sistem prediksi komentar ini diharapkan dapat memproses komentar pengguna dan mengklasifikasikannya menjadi sentimen positif, negatif, atau netral dengan akurasi tinggi.

Menggunakan React untuk frontend dan Flask sebagai backend memungkinkan pengembangan aplikasi yang responsif dan efisien. React memberikan antarmuka pengguna yang dinamis dan interaktif, sedangkan Flask memungkinkan pengolahan data dan pengelolaan model secara cepat dan ringan.

Dengan latar belakang ini, proyek website prediksi komentar berbasis SVM ini hadir sebagai solusi inovatif yang diharapkan dapat memberikan manfaat dalam berbagai bidang, khususnya dalam memahami dan menganalisis sentimen publik secara efektif.

Tujuan

Website ini bertujuan untuk memprediksi sentimen komentar, apakah positif, negatif, atau netral, menggunakan algoritma Support Vector Machine (SVM). Website ini akan menampilkan hasil prediksi kepada pengguna secara interaktif dan real-time.

Teknologi

• Frontend: React (untuk antarmuka pengguna yang responsif dan dinamis). Mengambil dan mengirimkan data komentar dari pengguna ke backend melalui API.
• Backend: Flask (untuk pengelolaan data dan model SVM). Menerima data dari frontend, melakukan preprocessing, menerapkan model SVM untuk prediksi, dan mengirimkan hasil prediksi kembali ke frontend.
• Algoritma: SVM untuk klasifikasi sentimen. Dikembangkan dan dilatih menggunakan Python, dengan library seperti scikit-learn untuk pengolahan teks dan model prediksi. Model dapat disimpan sebagai file pickle untuk efisiensi.

Dataset

Link dataset : https://www.kaggle.com/datasets/muhammadalifalfarizi/serfee-dataset 

Pre-processing

Langkah pre-processing hanya melakukan perubahan teks menjadi huruf kecil semua dan menghilangkan karakter berupa selain alphabet dikarenakan dataset yang diambil sudah terlihat rapi dan bersih.

Pembuatan Model

Pemodelan dilakukan dengan menggunakan algortima SVM yang memberikan akurasi yang lebih tinggi daripada algoritma lainnya yaitu sebesar 0,81 atau 81%.

Evaluasi Model

Menyimpan Model

Penyimpanan model dilakukan untuk model machine learningnya dan model transfomasi datanya. Hal tersebut dilakukan agar mempermudah dalam penggunaannya ketika diimplementasikan ke dalam sebuah program backend dan kode program terliah lebih rapi dan bersih.

Pembuatan Frontend dengan React dan Backend dengan Flask

Link kode program Frontend dan Backend : https://drive.google.com/file/d/1Q0Nn96XRqQ-Qk7jEDJxuPqzNqV58p-aU/view?usp=sharing

Pengujian dengan Postman

Hasil Tampilan Website

Kesimpulan

Website prediksi komentar berbasis algoritma SVM ini menawarkan solusi efektif untuk mengidentifikasi sentimen pada komentar secara otomatis. Dengan memanfaatkan React sebagai frontend dan Flask sebagai backend, sistem ini mampu memberikan prediksi sentimen yang cepat dan akurat dalam tampilan yang interaktif dan responsif. Penggunaan teknologi ini membantu berbagai pihak, baik individu maupun organisasi, untuk memahami opini publik, membuat keputusan yang lebih tepat, dan merespons kebutuhan pengguna dengan lebih baik. Secara keseluruhan, aplikasi ini berperan penting dalam analisis sentimen yang mendukung pengambilan keputusan berbasis data dalam berbagai bidang.

Lampiran

Link dataset : https://www.kaggle.com/datasets/muhammadalifalfarizi/serfee-dataset 

Link Google Colab : https://colab.research.google.com/drive/1YZ1EsHpGfrtu5arzjTa2tc-NBj5JDc46?usp=sharing

Link kode program Frontend dan Backend : https://drive.google.com/file/d/1Q0Nn96XRqQ-Qk7jEDJxuPqzNqV58p-aU/view?usp=sharing