Aplikasi Analisis Sentimen Metode Naive Bayes

Aplikasi Analisis Sentimen Metode Naive Bayes merupakan aplikasi berbasis web yang dibangun menggunakan PHP Native dan MySQL untuk mengolah serta mengklasifikasikan data teks berdasarkan kategori sentimen. Aplikasi ini ditujukan bagi mahasiswa Teknik Informatika, Sistem Informasi, peneliti, maupun developer yang ingin mempelajari dan mengimplementasikan algoritma Naive Bayes dalam penelitian atau pengembangan sistem analisis sentimen.

Aplikasi ini dirancang untuk melakukan analisis sentimen terhadap data teks, seperti ulasan pengguna aplikasi, review pelanggan, komentar media sosial, maupun opini masyarakat. Menggunakan pendekatan Text Preprocessing, TF-IDF, dan Multinomial Naive Bayes, sistem dapat mengolah data komentar, membangun model klasifikasi, serta menentukan kategori sentimen berdasarkan hasil perhitungan probabilitas.

Dilengkapi fitur pengelolaan dataset, normalisasi bahasa, kamus sentimen, evaluasi model, hingga pengujian kalimat baru, aplikasi ini dapat menjadi referensi untuk penelitian, Skripsi, Tugas Akhir, maupun pengembangan sistem analisis opini berbasis web.

Kenapa Memilih Source Code Analisis Sentimen Naive Bayes Ini?

• Alur Penelitian Terstruktur: Aplikasi menyediakan empat menu utama yang disusun berdasarkan tahapan penelitian, mulai dari pengaturan studi kasus, pengelolaan dataset, proses dan evaluasi model, hingga pengujian sentimen baru. Memudahkan pengguna memahami alur sistem saat melakukan demonstrasi maupun presentasi Skripsi.
• Text Preprocessing Step-by-Step: Menampilkan tahapan pengolahan teks mulai dari teks asli hingga hasil akhir stemming. Pengguna dapat melihat perubahan data pada setiap tahapan preprocessing.
• Auto-Labeling Menggunakan Lexicon: Dilengkapi fitur pelabelan sentimen otomatis berdasarkan kamus kata positif dan negatif. Pengguna juga dapat mengelola sendiri kamus normalisasi bahasa, stopword, serta lexicon sentimen.
• Implementasi TF-IDF dan Multinomial Naive Bayes: Menyediakan detail perhitungan pembobotan kata TF, DF, IDF, TF-IDF, probabilitas prior, dan likelihood untuk memahami proses klasifikasi sentimen.
• Mendukung Klasifikasi 2 dan 3 Kelas: Dapat digunakan untuk penelitian dengan skema sentimen positif dan negatif maupun positif, negatif, dan netral.
• Evaluasi dan Riwayat Eksperimen: Menampilkan metrik evaluasi, Confusion Matrix, hasil prediksi data pengujian, serta riwayat eksperimen model yang telah dilakukan.
• Pengujian Sentimen Fleksibel: Mendukung pengujian satu kalimat secara langsung maupun klasifikasi massal menggunakan file CSV.

Fitur-Fitur Utama Aplikasi

1. Dashboard dan Pengaturan Studi Kasus

• • Dashboard Visual: Menampilkan identitas studi kasus aktif, ringkasan jumlah dataset, akurasi model, grafik proporsi kelas sentimen, serta panduan alur penggunaan aplikasi.
  • Pengaturan Kasus: Mengelola judul penelitian, objek atau sumber ulasan, deskripsi penelitian, dan skema klasifikasi sentimen.
  • Pilihan Skema Sentimen: Mendukung konfigurasi klasifikasi 2 kelas maupun 3 kelas.
  • Reset Studi Kasus: Memulai penelitian atau studi kasus baru menggunakan pengaturan yang tersedia pada aplikasi.

2. Manajemen Dataset dan Text Preprocessing

• • Manajemen Komentar: Menambahkan, mengubah, dan menghapus data komentar beserta label sentimennya secara manual.
  • Import Dataset CSV: Mengunggah dataset komentar dengan kemampuan mendeteksi kolom komentar dan label secara otomatis.
  • Auto-Labeling Lexicon: Memberikan label sentimen berdasarkan kamus kata positif dan negatif melalui proses otomatis.
  • Text Preprocessing Step-by-Step: Menampilkan perbandingan teks asli hingga hasil akhir stemming dalam bentuk tabel.
  • Kamus Bahasa Indonesia: Mengelola tiga komponen penting:
    • Kamus Slang dan Normalisasi untuk mengubah kata tidak baku menjadi kata baku.
    • Stopword untuk mengelola kata-kata yang tidak diperlukan dalam proses analisis.
    • Lexicon Positif dan Negatif untuk mendukung proses pelabelan sentimen otomatis.

3. Proses Pelatihan dan Evaluasi Naive Bayes

• • Pengaturan Data Latih dan Data Uji: Mengatur rasio pembagian dataset untuk kebutuhan pelatihan dan pengujian model.
  • Laplace Smoothing: Mengatur nilai parameter Alpha (α) untuk menangani probabilitas kata yang belum ditemukan pada data latih.
  • Evaluasi Performa Model: Menampilkan metrik evaluasi klasifikasi dan Confusion Matrix.
  • Perhitungan TF-IDF: Menampilkan tabel pembobotan kata yang mencakup TF, DF, IDF, dan matriks TF-IDF.
  • Perhitungan Multinomial Naive Bayes: Menampilkan tabel probabilitas Prior dan Likelihood sebagai bagian dari proses pembentukan model.
  • Detail Data Testing: Menampilkan hasil perbandingan kelas aktual dan kelas prediksi pada setiap data pengujian.
  • Riwayat Eksperimen: Menyimpan dan menampilkan riwayat pengujian model untuk membantu membandingkan hasil eksperimen.

4. Uji Sentimen Baru

• • Uji Kalimat Tunggal: Memasukkan satu kalimat ulasan untuk memperoleh hasil prediksi sentimen secara langsung.
  • Contoh Kalimat Cepat: Menyediakan contoh kalimat untuk mempermudah pengujian.
  • Detail Perhitungan Prediksi: Menampilkan tahapan preprocessing dan rincian perhitungan metode Naive Bayes pada kalimat yang diuji.
  • Uji Sentimen Massal (Batch CSV): Mengunggah file CSV berisi banyak komentar untuk diprediksi secara sekaligus.
  • Riwayat Pengujian: Menyimpan arsip hasil pengujian kalimat baru.

5. Manajemen Pengguna

• • Multi-Level User: Mendukung dua tingkatan hak akses, yaitu Administrator dan Operator.
  • Pengelolaan Akun: Mengatur pengguna sesuai hak akses yang tersedia.
  • Ubah Password: Menyediakan fitur perubahan password untuk pengguna aplikasi.

Contoh Topik Skripsi yang Bisa Menggunakan Aplikasi Ini

Aplikasi Analisis Sentimen Naive Bayes dapat dikembangkan untuk berbagai kebutuhan penelitian, di antaranya:

1. Analisis Sentimen Ulasan Pengguna Aplikasi Mobile Banking atau Dompet Digital di Google Play Store Menggunakan Metode Naive Bayes dan TF-IDF.
2. Klasifikasi Sentimen Review Pelanggan Produk E-Commerce Menggunakan Algoritma Multinomial Naive Bayes.
3. Analisis Sentimen Opini Masyarakat di Media Sosial X (Twitter) Terhadap Kebijakan Layanan Publik Menggunakan Metode Naive Bayes.
4. Analisis Kepuasan Mahasiswa Terhadap Layanan Akademik Kampus Berdasarkan Komentar Kuesioner Menggunakan TF-IDF dan Naive Bayes.
5. Klasifikasi Sentimen Ulasan Wisatawan pada Destinasi Wisata atau Hotel Menggunakan Metode Naive Bayes.

Topik penelitian dapat disesuaikan dengan objek penelitian, sumber data, dataset, serta skema kelas sentimen yang digunakan.

Spesifikasi Teknologi dan Kebutuhan Sistem

• Bahasa Pemrograman: PHP Native berbasis OOP, mendukung PHP 7.4 hingga 8.3.
• Database: MySQL / MariaDB.
• Desain Antarmuka: Bootstrap 5 Modern Responsive.
• Tampilan Admin: Dark Slate-Teal Sidebar.
• Web Server Lokal: XAMPP atau lingkungan server PHP yang kompatibel.
• Hosting: Shared Hosting cPanel yang memenuhi persyaratan sistem aplikasi.

Apa Saja yang Didapatkan dalam Paket Pembelian?

1. Full Source Code Aplikasi (Sentimen_NB): Source code aplikasi analisis sentimen yang dapat dipelajari, digunakan, dan dimodifikasi sesuai kebutuhan penelitian.
2. Database MySQL (adev_sc_ml_sentimen_nb.sql): File database lengkap dengan struktur tabel, kamus Bahasa Indonesia, dan dataset awal.
3. File Excel Perhitungan Manual (Perhitungan_Metode_Sentimen_Naive_Bayes.xlsx): Dilengkapi formula Excel aktif seperti COUNTIF, LOG10, dan SUMPRODUCT untuk membantu perhitungan TF-IDF, probabilitas Naive Bayes, hingga simulasi pengujian kalimat baru. Sangat membantu dalam memahami perhitungan untuk Bab 3 dan Bab 4 Skripsi.
4. Empat Dataset CSV Siap Pakai: Terdiri dari dataset ulasan Play Store, review E-Commerce, opini media sosial 3 kelas, dan komentar mentah tanpa label.
5. Panduan Instalasi dan Penggunaan: File petunjuk instalasi mulai dari konfigurasi XAMPP, import database, penggunaan menu aplikasi, hingga proses analisis sentimen.

Cocok untuk Siapa?

Source code ini dapat dimanfaatkan oleh:

• Mahasiswa Teknik Informatika dan Sistem Informasi yang mengerjakan Skripsi atau Tugas Akhir.
• Peneliti yang mempelajari analisis sentimen dan klasifikasi teks.
• Developer yang ingin mengembangkan aplikasi pengolahan teks berbasis PHP dan MySQL.
• Pengguna yang ingin mempelajari penerapan Text Mining dan Machine Learning pada aplikasi web.