Kursus Skripsi Tesis Disertasi Machine Learning | Klasifikasi Sentimen Ulasan Produk E-Commerce Menggunakan Support Vector Machine (SVM) dan NLP

Berikut adalah Silabus 20 Sesi (masing-masing 1,5 jam) untuk topik:
“Klasifikasi Sentimen Ulasan Produk E-Commerce Menggunakan Support Vector Machine (SVM) dan NLP”

🔹 Tahap 1: Pengenalan Dasar (Sesi 1–4)

Sesi 1: Pengenalan Sentiment Analysis & NLP

• Definisi dan manfaat sentiment analysis

• Studi kasus: e-commerce & ulasan pelanggan

• Peran NLP dan SVM dalam klasifikasi sentimen

Sesi 2: Pengantar Python untuk NLP

• Instalasi Python & Jupyter Notebook

• Pustaka NLP: nltk, sklearn, pandas, numpy

• Membaca data ulasan (CSV/Excel)

Sesi 3: Preprocessing Teks Bagian 1

• Lowercase, tokenization, stopwords

• Lemmatization vs stemming

• Praktik preprocessing dasar

Sesi 4: Preprocessing Teks Bagian 2

• Cleaning lanjutan: tanda baca, angka, spasi

• Word frequency & word cloud

• Penyimpanan hasil preprocessing

🔹 Tahap 2: Feature Engineering (Sesi 5–8)

Sesi 5: Representasi Teks

• Bag-of-Words (BoW)

• N-grams: unigram, bigram

Sesi 6: TF-IDF Vectorization

• Konsep dasar dan implementasi TF-IDF

• Membandingkan BoW dan TF-IDF

Sesi 7: Labeling Data Sentimen

• Manual labeling vs dataset publik

• Label: positif, negatif, netral

• One-hot encoding atau label encoding

Sesi 8: Split Dataset

• Train-test split

• Validasi silang (cross-validation)

• Menghindari data leakage

🔹 Tahap 3: Pengenalan & Implementasi SVM (Sesi 9–12)

Sesi 9: Konsep Dasar SVM

• Margin, hyperplane, dan kernel

• Linear vs non-linear SVM

Sesi 10: Implementasi SVM di Sklearn

• Training model SVM

• Evaluasi awal (accuracy, precision, recall)

Sesi 11: Hyperparameter Tuning

• GridSearchCV & parameter penting (C, kernel, gamma)

• Menghindari overfitting

Sesi 12: Evaluasi Lanjutan

• Confusion matrix

• ROC curve dan AUC

• Cross-validation & interpretasi hasil

🔹 Tahap 4: Proyek Sentimen Ulasan Produk (Sesi 13–16)

Sesi 13: Studi Kasus E-Commerce

• Dataset ulasan Tokopedia/Shopee/Amazon

• Pembersihan & eksplorasi dataset

Sesi 14: Preprocessing dan Vektorisasi Dataset

• Cleaning → Tokenization → TF-IDF

Sesi 15: Training Model SVM

• Split → Train → Evaluate

• Simpan model (joblib/pickle)

Sesi 16: Visualisasi Hasil

• Pie chart sentimen

• Word cloud tiap sentimen

🔹 Tahap 5: Evaluasi, Integrasi & Presentasi (Sesi 17–20)

Sesi 17: Pengujian Model pada Ulasan Baru

• Input manual ulasan → output sentimen

• Uji robustness model

Sesi 18: Penggunaan Model di Aplikasi

• Integrasi Python + Streamlit sederhana

• Demo aplikasi klasifikasi ulasan

Sesi 19: Review Keseluruhan dan Perbaikan

• Identifikasi kesalahan umum

• Perbaikan pipeline dan model

Sesi 20: Presentasi Proyek Akhir

• Paparan hasil akhir

• Diskusi: kekuatan & kelemahan model

• Rekomendasi pengembangan lanjutan