Kursus Skripsi Tesis Disertasi Python ~ Klasifikasi Sentimen Ulasan Produk E-Commerce Menggunakan Naïve Bayes Berbasis Python

Berikut adalah silabus 20 sesi untuk topik “Klasifikasi Sentimen Ulasan Produk E-Commerce Menggunakan Naïve Bayes Berbasis Python”.

📦 Tahap 1: Pengenalan dan Persiapan Dataset (Sesi 1–5)

1. Pengenalan Sentiment Analysis dan NLP

   • Apa itu analisis sentimen?

   • Studi kasus pada e-commerce

   • NLP vs Machine Learning

2. Pengenalan Algoritma Naïve Bayes

   • Konsep dasar probabilitas Bayes

   • Multinomial vs Bernoulli Naïve Bayes

   • Kenapa cocok untuk teks?

3. Pengantar Python untuk NLP

   • Review Python dasar: list, string, loop

   • Library utama: pandas, numpy, nltk, sklearn

4. Persiapan Dataset Ulasan E-Commerce

   • Contoh dataset (Amazon, Shopee, Tokopedia)

   • Label sentimen: positif, negatif, netral

   • Exploratory Data Analysis (EDA)

5. Pra-pemrosesan Teks

   • Case folding, tokenisasi, stopword removal

   • Stemming dan Lemmatization

   • Penerapan nltk dan Sastrawi

🔡 Tahap 2: Feature Engineering dan Model Training (Sesi 6–10)

6. Representasi Teks: Bag of Words

   • Skema BOW: frekuensi kata

   • CountVectorizer dari sklearn

7. Representasi Teks: TF-IDF

   • Konsep dasar TF-IDF

   • TfidfVectorizer dan pembobotan kata

8. Pemisahan Data dan Data Balancing

   • Train-test split

   • Oversampling & undersampling jika data tidak seimbang

9. Training Model Naïve Bayes

   • MultinomialNB dan BernoulliNB

   • Cross-validation dan evaluasi awal

10. Evaluasi Kinerja Model

• Confusion matrix

• Accuracy, Precision, Recall, F1-Score

⚙️ Tahap 3: Peningkatan Model (Sesi 11–15)

11. Hyperparameter Tuning Naïve Bayes

• Grid Search dengan GridSearchCV

• Parameter alpha, fit_prior

12. Peningkatan Akurasi dengan N-gram

• Penggunaan bigram dan trigram

• Perbandingan hasil single-word vs n-gram

13. Stopword Kustom dan Filtering

• Kembangkan stopword domain-spesifik

• Pengaruhnya pada akurasi model

14. Analisis Sentimen Multi-Kelas

• Menambahkan label “netral”

• Multiclass classification pada Naïve Bayes

15. Visualisasi Data dan Hasil Model

• Wordcloud untuk kata dominan

• Visualisasi confusion matrix dan distribusi prediksi

📊 Tahap 4: Implementasi & Validasi Nyata (Sesi 16–20)

16. Penerapan Model pada Ulasan Baru

• Prediksi input ulasan manual

• Uji coba dengan data real-time

17. Integrasi dengan Aplikasi Sederhana

• Buat UI dengan Streamlit

• Input teks ➝ prediksi sentimen ➝ output

18. Analisis Kesalahan Model

• Identifikasi misclassified samples

• Strategi perbaikan

19. Studi Kasus Proyek Mini

• Analisis dataset e-commerce lengkap

• Penulisan laporan akhir

20. Presentasi & Dokumentasi Proyek

• Demo proyek tiap peserta

• Struktur laporan akhir dan dokumentasi