Description

Natural Language Processing

Natural Language Processing (NLP) adalah cabang dari Artificial Intelligence (AI) atau kecerdasan buatan yang berhubungan dengan interaksi antara komputer dan manusia menggunakan bahasa alami (natural language), salah satu penerapannya adalah Analisis Sentimen. Analisis sentimen merupakan salah satu bidang dari Natural Language Processing (NLP) yang membangun sebuah sistem untuk mengenali dan mengekstrak opini dalam bentuk teks. Informasi dalam bentuk teks saat ini banyak tersedia di internet dalam format forum, blog, media sosial, dan situs yang berisi ulasan. Tujuannya adalah untuk mendapatkan opini dari pengguna di platform.

Datasets
Datasets bisa dengan melakukan akses dari kaggle. Adapun tautan tercantum sebagai berikut: https://www.kaggle.com/datasets/lava18/google-play-store-apps?select=googleplaystore_user_reviews.csv

Text Preprocessing
 

1. Lowercase & Removing:
   • Lowercase untuk mengubah kata menjadi huruf kecil
   • Removing adalah untuk menghapus special characters
2. Tokenisasi & Stopwords:
   • Tokenisasi untuk memecah teks mentah menjadi kata-kata, kalimat yang disebut token. Token ini membantu dalam memahami konteks atau mengembangkan model untuk Natural Language processing.
   • Stopwords digunakan untuk menghilangkan kata-kata yang tidak penting, yang memungkinkan aplikasi untuk fokus pada kata-kata penting sebagai gantinya. Misalnya: dalam bahasa Inggris, “the”, “is” dan “and”, akan dengan mudah memenuhi syarat sebagai stop words
3. Lemmatization:
   • Lemmatization biasanya mengacu pada melakukan sesuatu dengan benar dengan penggunaan kosakata dan analisis morfologis kata. Lemma (jamak lemmas atau lemmata) adalah bentuk kanonik, bentuk kamus, atau bentuk kutipan dari sekumpulan kata. Misalnya, runs, running, ran adalah semua bentuk kata run, oleh karena itu run adalah lemma dari semua kata ini.
4. Vectorization
   • Vektorisasi adalah proses mengubah teks menjadi representasi numerik. Untuk kasus ini digunakan Bag of Word

Experiment

Jumlah Data

Setelah beberapa penerapan proses eksperimen yang dikerjakan, data yang digunakan sangat banyak dan memiliki banyak missing value. Maka dari itu ada sejumlah pengurangan data yang semula 64295 baris dan 5 kolom yang berupa ‘App’, ‘Translated_Review’, ‘Sentiment’, ‘Sentiment_Polarity’, dan ‘Sentiment_Subjectivity', dikurangi menjadi 37427 baris 2 kolom setelah menghilangkan missing value, dan menggunakan kolom yang ditetapkan sebagai target yaitu kolom 'Sentiment' dan sebagai feature yaitu 'Translated_Review'. Karena sebanyak 37427 data pun terlalu banyak jika di fit transform vektorisasi, sehingga diputuskan untuk mengurangi banyaknya data yang digunakan. Dipangkaslah beberapa data, sehingga total data yang digunakan 13427 baris dan 2 kolom

Target & Feature

• Target

Variabel target dari data yang digunakan adalah pada kolom Sentiment yang mempunyai label kelas diantaranya: Positive, Negative dan Netral. Berikut visualisasi label kelas Sentiment terhadap data:

Banyaknya jumlahnya kelas pada sentiment dituliskan sebagai berikut:

• Feature

Feature yang digunakan adalah kolom 'Translated_Review', yang mana akan melewati sejumlah tahapan text preprocessing, mulai dari di lowercase, menghilangkan special characters, tokenisasi dan stopwords dengan library nltk (karena datanya berbahasa inggris, lemmatization, hingga vektorisasi fit_transform().toarray() dan bag of words

Wordcloud

Wordcloud atau Tag cloud adalah sebuah kata yang berisi banyak kata dalam berbagai ukuran, yang mewakili frekuensi atau pentingnya setiap kata. Wordcloud yang digunakan bisa di adjust, namun untuk eksperimen ini dengan background putih, cmap = ‘hsv’, dan random_state=42.

Modeling & Conclusion

Modeling yang digunakan menggunakan Logistic Regression, Decision Tree, Random Forest, and Neural Network, dengan hasil masing-masing sebagai berikut:

Eksperimen ini juga di upload di repositori github saya, yang bisa diakses

https://github.com/ferrenttacoh/googleplaystoremodeling

Sekian dari saya, terima kasih banyak.

~Ferrent