Jasa Skripsi Tesis Disertasi Weka ~ Klasifikasi Sentimen Ulasan Produk E-Commerce Menggunakan WEKA (Naïve Bayes vs Random Forest)

Berikut adalah silabus 20× sesi @1,5 jam untuk topik “Klasifikasi Sentimen Ulasan Produk E-Commerce Menggunakan WEKA (Naïve Bayes vs Random Forest)”

Tujuan Akhir

Peserta mampu:

• Mengimpor dan memproses dataset ulasan produk e-commerce.

• Menerapkan Naïve Bayes dan Random Forest di WEKA.

• Membandingkan performa kedua algoritma dengan berbagai metrik evaluasi.

• Menyajikan hasil dalam bentuk laporan ilmiah.

Silabus 20 Sesi (Total 30 Jam)

Modul 1 — Dasar WEKA & Dataset Sentimen

Sesi 1. Pengenalan WEKA dan Lingkup Proyek

• Materi: Konsep machine learning, antarmuka WEKA (Explorer, Experimenter).

• Praktik: Instalasi WEKA, eksplorasi dataset bawaan (mis. iris.arff).

Sesi 2. Pengenalan Analisis Sentimen E-Commerce

• Materi: Konsep sentiment analysis, studi kasus e-commerce Indonesia.

• Praktik: Mengumpulkan dataset contoh (Kaggle/Tokopedia/Shopee).

Sesi 3. Format Data & ARFF

• Materi: Struktur .arff, konversi CSV ke ARFF.

• Praktik: Import dataset ulasan produk, cek tipe atribut (string/nominal).

Sesi 4. Preprocessing Teks

• Materi: Text Cleaning (lowercase, stopwords, stemming, tokenizing).

• Praktik: Gunakan StringToWordVector di WEKA dengan TF-IDF.

Modul 2 — Dasar Algoritma Naïve Bayes & Random Forest

Sesi 5. Teori Naïve Bayes

• Materi: Prinsip probabilistik, asumsi independensi fitur.

• Praktik: Latih Naïve Bayes di WEKA, lihat Confusion Matrix.

Sesi 6. Teori Random Forest

• Materi: Konsep ensemble, bagging, parameter utama (numTrees, maxDepth).

• Praktik: Latih Random Forest di WEKA, bandingkan hasil awal dengan NB.

Sesi 7. Validasi Model

• Materi: Hold-out vs k-fold cross-validation.

• Praktik: Bandingkan akurasi dengan 10-fold CV pada kedua algoritma.

Sesi 8. Metrik Evaluasi

• Materi: Accuracy, Precision, Recall, F1-score, ROC-AUC.

• Praktik: Evaluasi lengkap + interpretasi hasil.

Modul 3 — Optimasi & Penyesuaian Model

Sesi 9. Tuning Parameter Naïve Bayes

• Materi: Filter kata, laplace smoothing, reduksi fitur.

• Praktik: Bandingkan NB default vs NB dengan FS (InfoGain).

Sesi 10. Tuning Parameter Random Forest

• Materi: numTrees, maxDepth, numFeatures.

• Praktik: Uji kombinasi parameter untuk hasil optimal.

Sesi 11. Feature Selection

• Materi: InfoGain, Chi-Squared, WrapperSubsetEval.

• Praktik: Uji pengaruh FS terhadap performa NB dan RF.

Sesi 12. Penanganan Data Tidak Seimbang

• Materi: SMOTE, resampling.

• Praktik: Terapkan SMOTE di dataset sentimen.

Modul 4 — Analisis Lanjutan & Eksperimen

Sesi 13. Experimenter di WEKA

• Materi: Menjalankan batch eksperimen otomatis.

• Praktik: NB vs RF dengan 5 variasi preprocessing.

Sesi 14. KnowledgeFlow

• Materi: Membangun pipeline end-to-end.

• Praktik: Automasi proses mulai dari import data hingga evaluasi.

Sesi 15. Analisis Perbandingan

• Materi: Uji signifikan (paired t-test) antara NB dan RF.

• Praktik: Interpretasi hasil statistik.

Sesi 16. Visualisasi Hasil

• Materi: Grafik ROC, Precision-Recall Curve, tabel komparasi.

• Praktik: Ekspor grafik dan tabel untuk laporan.

Modul 5 — Proyek Akhir & Laporan

Sesi 17. Penyusunan Hasil Eksperimen

• Aktivitas: Mengumpulkan semua metrik dan grafik hasil eksperimen.

Sesi 18. Diskusi dan Analisis

• Aktivitas: Interpretasi hasil, identifikasi kelebihan & kekurangan algoritma.

Sesi 19. Penulisan Laporan Ilmiah

• Materi: Struktur IMRaD (Introduction, Methods, Results, Discussion).

• Praktik: Menulis Bab IV (hasil) & Bab V (kesimpulan).

Sesi 20. Presentasi Proyek

• Aktivitas: Presentasi hasil klasifikasi, tanya jawab, evaluasi akhir.

Dataset yang Bisa Digunakan

• Shopee/Tokopedia Review Dataset (Kaggle)

• Amazon Product Reviews (untuk latihan awal)

• Dataset ulasan lokal yang dikumpulkan via scraping