Skip to content
The Chat Archive
gpt-4-0314· OpenAI WildChat-4.8M (AI2)

Saya ingin melakukan analisis sentimen berita politik berbahasa Indonesia 5 tahun…

  1. User

    Saya ingin melakukan analisis sentimen berita politik berbahasa Indonesia 5 tahun terakhir pada sebuah portal berita. Saya ingin mengetahui apakah berita ini memiliki sentimen yang positif atau negatif terhadap topik politik yang dibicarakan pada beritanya. Saya telah mengumpulkan data berita tersebut menggunakan web scraping Python dan dihasilkan sekitar 8400 baris data .csv berita politik dengan satu berita memiliki kisaran 200-3000 kata. Data tersebut berisi kolom Judul, Tanggal, Isi Berita, dan Label. Kelas pelabelan data adalah “Positif” dan "Negatif" pada 8400 data tersebut. Dataset dibaca dengan pickle dengan kode Python berikut: "# Membaca dataset data_list = pickle.load(open('filtered_pre_processed_berita_joined_done.pkl', 'rb')) data = pd.DataFrame(data_list, columns=['judul', 'isi', 'pre_processed', 'Label', 'Nama_Pelabel']) data['Isi Berita'] = data['pre_processed']"

    Buat kode Python lengkap analisis sentimen menggunakan Naive Bayes!

  2. Assistant

    Berikut adalah contoh kode Python lengkap untuk analisis sentimen menggunakan algoritma Naive Bayes pada dataset yang Anda deskripsikan.

    Pertama, pastikan Anda sudah menginstal library yang diperlukan. Anda bisa menginstalnya menggunakan pip:

    !pip install pandas numpy scikit-learn
    

    Kemudian, import library yang diperlukan:

    import pandas as pd
    import numpy as np
    import pickle
    from sklearn.feature_extraction.text import CountVectorizer
    from sklearn.model_selection import train_test_split
    from sklearn.naive_bayes import MultinomialNB
    from sklearn.metrics import accuracy_score, classification_report
    

    Langkah selanjutnya adalah membaca dataset dengan pickle:

    # Membaca dataset
    data_list = pickle.load(open('filtered_pre_processed_berita_joined_done.pkl', 'rb'))
    data = pd.DataFrame(data_list, columns=['judul', 'isi', 'pre_processed', 'Label', 'Nama_Pelabel'])
    data['Isi Berita'] = data['pre_processed']
    

    Mempersiapkan data untuk proses pembelajaran dengan membagi data menjadi data latih dan data uji:

    # Membagi data menjadi data latih dan data uji
    X = data['Isi Berita']
    y = data['Label']
    X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.2, random_state=42)
    

    Mengubah data teks menjadi representasi angka menggunakan CountVectorizer:

    # Representasi angka dari teks
    vectorizer = CountVectorizer()
    X_train_matrix = vectorizer.fit_transform(X_train)
    X_test_matrix = vectorizer.transform(X_test)
    

    Melatih model Naive Bayes menggunakan data latih:

    # Melatih model Naive Bayes
    nb_model = MultinomialNB()
    nb_model.fit(X_train_matrix, y_train)
    

    Mengevaluasi model Naive Bayes pada data uji:

    # Mengevaluasi model
    y_pred = nb_model.predict(X_test_matrix)
    accuracy = accuracy_score(y_test, y_pred)
    print("Accuracy: {:.2f}%".format(accuracy * 100))
    
    # Menampilkan laporan klasifikasi
    classification_report = classification_report(y_test, y_pred)
    print("Classification Report:")
    print(classification_report)
    

    Setelah menjalankan kode ini, Anda akan mendapatkan akurasi dan laporan klasifikasi dari model Naive Bayes pada dataset Anda. Anda bisa menyesuaikan kode ini sesuai dengan kebutuhan Anda.

  3. User

    Tolong tambahkan confusion matrix pada bagian Evaluasi Model.

  4. Assistant

    Tentu, berikut adalah kode yang diperbarui untuk menambahkan confusion matrix pada bagian evaluasi model:

    from sklearn.metrics import confusion_matrix, plot_confusion_matrix
    import matplotlib.pyplot as plt
    
    # Mengevaluasi model
    y_pred = nb_model.predict(X_test_matrix)
    accuracy = accuracy_score(y_test, y_pred)
    print("Accuracy: {:.2f}%".format(accuracy * 100))
    
    # Menampilkan laporan klasifikasi
    classification_report = classification_report(y_test, y_pred)
    print("Classification Report:")
    print(classification_report)
    
    # Menampilkan confusion matrix
    conf_matrix = confusion_matrix(y_test, y_pred)
    print("Confusion Matrix:")
    print(conf_matrix)
    
    # Plot confusion matrix
    plot_confusion_matrix(nb_model, X_test_matrix, y_test, cmap=plt.cm.Blues)
    plt.show()
    

    Kode di atas menambahkan import untuk confusion_matrix dan plot_confusion_matrix, menghitung confusion matrix dengan menggunakan fungsi confusion_matrix, dan menampilkan confusion matrix dalam bentuk teks dan plot grafis. Anda dapat menjalankan kode ini setelah melatih model Naive Bayes.