Pengertian Sentiment Analysis Dan Contoh Penerapannya
Analitis sentimen ialah proses mengenali dan mengategorikan opini secara komputasi yang diutarakan dalam sebuah text, khususnya untuk tentukan apa sikap penulis pada topik, produk, dan lain-lain. tertentu positif, negatif, atau netral. Pada intinya, ini ialah interpretasi dan kategorisasi emosi.
Analitis sentimen mempunyai tujuan mengetahui emosi seperti kebahagiaan, duka cita, amarah, dan lain-lain. Beberapa dari analitis itu memakai leksikon atau algoritma evaluasi mesin yang kompleks.
Analitis sentimen benar-benar bermanfaat untuk pengawasan sosial media karena melebihi jumlah sukai atau retweet, dengan memberi wacana kualitatif.
Cara Menganalisis Data Twitter:
Melakukan analisis sentimen pada data twitter melibatkan langkah-langkah berikut:
- Kumpulkan Data Twitter: Penting jika data twitter yang didownload sebagai wakil apa yang kami coba cari info. Maka dari itu, kami akan mengekstrak tweet untuk dikaji. Ekstraksi seperti ini dilaksanakan dengan kontribusi API Twitter yang lain. Di sini, kita akan memakai GetOldTweets3 untuk mengekstrak data.
- Membersihkan Data yang Dikumpulkan: Tweet yang diekstrak mungkin berisi tanda baca yang tidak relevan dan mungkin tidak berkontribusi pada analisis; perlu dibersihkan sebelum analisis.
- Menganalisis Data: Analisis data akan memberi Anda gambaran yang lebih jelas tentang apa yang ingin disampaikan oleh data (tweet) yaitu akan membantu dalam memahami emosi di balik tweet. Analisis semacam itu juga dapat menentukan pendapat orang-orang tentang topik, isu, atau produk tertentu.
- Visualisasikan Analisis: Visualisasi menolong dalam memahami data secara simpel dan efisien.
Mari mulai:
Seperti yang dibahas di atas, kami akan memakai pustaka GetOldTweets3 untuk mengekstrak tweet.
GetOldTweets3: GetOldTweets3 ialah fork kenaikan dari GetOldTweets-python asli Jefferson Henrique. Ini membenahi permasalahan yang dijumpai dan menambah feature seperti hitung retweet, cari lewat beberapa akun pemakai, dan lain-lain. GetOldTweets3 cuma memberikan dukungan Python 3. GetOldTweets3 memberikan Anda kebebasan untuk mengurangi data memakai beragam patokan penelusuran seperti tanggal mulai/akhir, nama pemakai, penelusuran kueri text, dan tempat lokasi rekomendasi. Disamping itu, Anda bisa tentukan atribut tweet yang mana ingin Anda masukkan.
Output:
Untuk melakukan analitis sentimen, kami akan lakukan penelusuran kueri sama untuk mengekstrak tweet. Untuk analitisnya, kami akan ambil topik random ucapkanlah "Rahul Gandhi" dan akan coba menganalisa tweet yang berkaitan dengannya.
Membaca tweet:
Kode berikut akan menolong membaca tweet yang didownload dan akan menolong membersihkan tweet.
Output:
Untuk mempermudah tugas kita, kita dapat memakai NLTK (Alami Language ToolKit). NLTK ditujukan untuk memberikan dukungan riset dan edukasi di NLP atau bidang yang berkaitan erat, terhitung ilmu bahasa empiris, pengetahuan kognitif, kepandaian bikinan, penelusuran info, dan evaluasi mesin. NLTK sudah sukses dipakai sebagai alat edukasi, sebagai alat belajar pribadi, dan sebagai basis untuk membikin arketipe dan membuat mekanisme riset. NLTK memberikan dukungan peranan kategorisasi, tokenisasi, stemming, tagging, parsing, dan penalaran semantik.
Tetapi, ada dua langkah untuk menangani ini:
- Menggunakan NLTK
- Tanpa menggunakan NLTK
Selanjutnya saya akan menjelaskan analisisnya dengan dua cara yaitu dengan NLTK dan tanpa NLTK.
Tanpa NLTK:
Setop Word: Setop Word ialah kata yang biasa dipakai (seperti "the", "a", "an", "in") yang sudah diprogram untuk diacuhkan oleh mesin perayap, baik saat mengindeks entri untuk cari atau saat ambilnya sebagai dari hasil keinginan penelusuran.
Potongan kode ini akan menolong kita hapus kata henti dari teks. Stopword bekas ini tersedia online.
Dengan NLTK:
Berlainan dengan kode awalnya, kami memakai word_tokenize untuk tokenization. Paket NLTK memberikan dukungan banyak bahasa. Disamping itu, paket ini mempunyai stopword dalam beragam bahasa.
Untuk menganalisa sentimen tweet kita akan memakai file emotion.txt. File ini berisikan emosi yang sudah ditetapkan awalnya untuk tiap kata yang dipakai dalam tweet. Di sini, kami mengecek apa kata dalam perincian final_word berada di emotion.txt. File teks ini bisa didownload dari repositori git saya.
Faktor count hitung jumlah emosi yang terjadi dalam analitis. Faktor jumlah ini akan menolong kami mendeskripsikan tweet.
Visualisasi:
Visualisasi data ialah representasi grafis dari info dan data. Dengan memakai komponen visual seperti bagan, diagram, dan peta. Visualisasi ini memberi langkah yang gampang dijangkau untuk menyaksikan dan pahami trend, dan skema emosional dalam tweet yang berkaitan dengan "RahulGandhi".
Output:
Diagram tangkai ini menerangkan tipe emosi yang dipunyai oleh tweet yang berkaitan dengan "RahulGandhi". Dari diagram ini, kita bisa secara jelas menyaksikan jika mayoritas tweet yang berkaitan dengannya suka atau bersedih dituruti oleh perasaan takut, tertarik, dan tidak takut. (CATATAN: Analitis ini bisa bervariatif karena dilaksanakan cuma pada 700 tweet)
Polaritas:
Polaritas dalam analitis sentimen merujuk pada analisis tujuan sentimen (positif, netral, dan negatif). Untuk hitung polaritas, kami akan mengimpor SentimentIntensityAnalyzer dari nltk.sentiment.vader. Ini akan memberikan kita score polaritas dalam soal negatif, positif, netral, dan majemuk.
Output:
Dari output, kelihatan terang jika 700 tweet yang dikaji mayoritas positif karena score positif semakin besar dibanding score negatif. Kami dapat memakai "if-else" untuk hasilkan hasil automatis.
Ringkasan:
Sekarang ini, analitis sentimen atau penambangan penilaian ialah topik hangat dalam evaluasi mesin. Kami masihlah jauh untuk mengetahui sentimen kelompok text dengan benar-benar tepat karena kesukaran dengan bahasa Inggris serta lebih bila kami menimbang bahasa lain seperti Cina, Hindi, Jerman, dan lain-lain.