Kursus/Pelatihan Data Science ~ Analisis Sentimen Ulasan Produk E-Commerce Menggunakan Naive Bayes Menggunakan Python

Berikut adalah Silabus 20x Sesi @1,5 jam untuk topik:

“Analisis Sentimen Ulasan Produk E-Commerce Menggunakan Naive Bayes”
(Implementasi menggunakan Python)

📚 Silabus 20 Sesi (Total: 30 Jam)

🔰 Fase 1: Dasar Data Science dan Sentiment Analysis (Sesi 1–5)

Sesi 1: Pengenalan Data Science dan Proyek Analisis Sentimen

• Apa itu Data Science?

• Proyek: Analisis Sentimen Ulasan Produk

• Studi kasus e-commerce (Shopee, Tokopedia, Amazon)

• Tools: Python, Jupyter Notebook, Pandas, Scikit-learn

Sesi 2: Instalasi dan Setup Lingkungan Kerja

• Instalasi Anaconda / Jupyter Notebook

• Instalasi library: pandas, numpy, nltk, sklearn, dll.

• Struktur folder proyek

Sesi 3: Pengenalan Sentiment Analysis

• Konsep Sentiment Analysis

• Label sentimen: positif, negatif, netral

• Contoh dataset ulasan produk

Sesi 4: Mengimpor dan Mengeksplorasi Dataset

• Membaca file CSV/XLSX ulasan

• Eksplorasi awal data (jumlah ulasan, distribusi sentimen)

• Visualisasi awal: pie chart, bar chart

Sesi 5: Pembersihan Teks (Text Preprocessing)

• Case folding, stopword removal

• Tokenization, stemming

• Penggunaan nltk dan Sastrawi

⚙️ Fase 2: Feature Engineering dan Modeling (Sesi 6–12)

Sesi 6: Representasi Teks ke Numerik

• Bag of Words

• TF-IDF

• Implementasi dengan CountVectorizer dan TfidfVectorizer

Sesi 7: Membuat Model Naive Bayes (Teori & Praktik)

• Teori dasar Naive Bayes

• Multinomial vs Bernoulli Naive Bayes

• Training model awal

Sesi 8: Evaluasi Model Dasar

• Confusion Matrix

• Akurasi, precision, recall, F1-score

• Cross-validation

Sesi 9: Optimasi Preprocessing & Feature

• N-gram

• Stopword kustom

• Filtering kata tidak penting

Sesi 10: Fine-Tuning Naive Bayes

• Hyperparameter tuning (alpha)

• Grid Search

• Pipeline Sklearn

Sesi 11: Validasi Model dan Error Analysis

• Analisis kesalahan klasifikasi

• False positive/false negative

• Tips meningkatkan performa

Sesi 12: Perbandingan dengan Algoritma Lain (opsional)

• Perbandingan dengan Logistic Regression / SVM

• Kenapa pilih Naive Bayes

📊 Fase 3: Visualisasi, Interpretasi, dan Deployment (Sesi 13–18)

Sesi 13: Visualisasi Hasil Sentimen

• WordCloud untuk sentimen positif vs negatif

• Bar chart hasil klasifikasi

Sesi 14: Analisis Berdasarkan Kategori Produk

• Segmentasi sentimen berdasarkan kategori

• Visualisasi per produk

Sesi 15: Integrasi Data dari Website (Web Scraping Ringan)

• Pengantar scraping ulasan dari web

• Gunakan BeautifulSoup atau Scrapy

Sesi 16: Membuat Aplikasi Dasar Streamlit

• Pengenalan Streamlit

• Aplikasi input teks ulasan → prediksi sentimen

Sesi 17: Uji Model dengan Data Baru

• Uji dengan data ulasan nyata yang belum pernah dilihat

• Evaluasi hasil

Sesi 18: Export Model & Simulasi Deployment

• Save model .pkl dengan joblib

• Struktur file untuk deployment

🎓 Fase 4: Proyek Mini dan Ujian (Sesi 19–20)

Sesi 19: Proyek Mini – Analisis Sentimen Produk Pilihan

• Peserta memilih kategori atau brand tertentu

• Presentasi analisis dan visualisasi

Sesi 20: Review & Evaluasi Akhir

• Review konsep utama

• Tanya jawab teknis

• Ujian akhir / kuis

• Penilaian hasil proyek