Tutorial analisis sentimen

Dalam melakukan analisis sentimen, saya menyadari pentingnya tahap pra-pemrosesan data untuk memastikan hasil yang akurat. Dari pengalaman saya, membersihkan data seperti case folding, normalisasi, penghapusan stopword, dan tokenisasi sangat membantu mengurangi noise dan memperjelas pola sentimen dalam komentar. Selain itu, penggunaan model Bi-LSTM memberikan keunggulan dalam menangkap konteks urutan kata, yang krusial untuk memahami komentar dengan kalimat kompleks. Saya juga menemukan bahwa visualisasi dengan wordcloud untuk tiap kategori sentimen (positif, negatif, netral) sangat membantu dalam mengidentifikasi tema utama yang muncul. Selama analisis, evaluasi model dengan metrik akurasi dan f1-score menjadi acuan penting. Dari data yang saya olah, model Bi-LSTM mencapai akurasi sekitar 69.7%, yang menandakan performa cukup baik untuk dataset komentar Youtube terkait kritik #MBG dan #BEMUGM. Pengalaman ini membuktikan bahwa analisis sentimen bukan hanya soal teknologi, tapi juga memahami konteks sosial dan bahasa yang digunakan komunitas seperti mahasiswa. Dengan teknik yang tepat dan interpretasi hasil yang kontekstual, hasil analisis bisa menjadi alat penting untuk menilai opini publik dan mendukung pengambilan keputusan berbasis data.