Baru Jelajahi project AI & Machine Learning siap pakai lengkap dengan full source code dan tutorial instalasi!
Beranda Katalog Project Tentang Kami Kontak Kami
Silakan masuk ke akun Anda terlebih dahulu untuk membaca dokumentasi project ini.
Analisis Sentimen Berbasis Aspek Pada Pengguna Aplikasi Shopee Berdasarkan Ulasan Google Play Store
Analisis Sentimen Berbasis Aspek Pada Pengguna Aplikasi Shopee Berdasarkan Ulasan Google Play Store
Natural Language Processing Tingkat: Advanced Versi 1.0.0 9 Dilihat
5.0 (0 ulasan)

Analisis Sentimen Berbasis Aspek Pada Pengguna Aplikasi Shopee Berdasarkan Ulasan Google Play Store

Teknologi: Python Flask PyTorch Tailwind CSS XGBoost Scikit-Learn Pandas NumPy CatBoost LightGBM Transformers TF-IDF SARIMAX Statsmodels Jupyter Notebook IndoBERT HuggingFace BiLSTM Self-Attention Logistic Regression LinearSVC Google Play Scraper
Video Demonstrasi Project TikTok Demo

Demo & Pengujian Sistem: Analisis Sentimen Berbasis Aspek Pada Pengguna Aplikasi Shopee Berdasarkan Ulasan Google Play Store

Tonton di TikTok

Video di atas mendemonstrasikan implementasi antarmuka, inference model, dan workflow end-to-end dari project Analisis Sentimen Berbasis Aspek Pada Pengguna Aplikasi Shopee Berdasarkan Ulasan Google Play Store via TikTok.

Overview & Cara Kerja

Latar Belakang Masalah

Shopee merupakan platform e-commerce nomor satu di Indonesia dengan puluhan juta pengguna aktif harian dan ratusan ribu ulasan yang masuk secara kontinu di Google Play Store. Ulasan pengguna ini mencerminkan suara langsung konsumen (voice of customer) terkait kualitas layanan, stabilitas aplikasi, dan kepuasan berbelanja.

Namun, manajemen Shopee maupun peneliti bisnis menghadapi tantangan analitik yang berat:

  1. Keterbatasan Analisis Sentimen Konvensional: Analisis sentimen umum hanya memberikan polaritas tunggal pada level dokumen (Positif atau Negatif). Hal ini tidak informatif ketika pengguna menulis ulasan campuran berdimensi banyak, misalnya: "Barang sampai cepat banget kurir ramah, tapi pas bayar saldo ShopeePay kepotong dobel dan aplikasinya ngelag." Ulasan tersebut bernilai positif pada pengiriman, namun sangat negatif pada sistem pembayaran dan aplikasi.
  2. Kekayaan Bahasa Gaul & Slang Indonesia: Bahasa ulasan pengguna diwarnai singkatan e-commerce informal (spx, spaylater, cod, olshop, ongkir, muter, lemot, eror) dan struktur tata bahasa tidak baku yang membingungkan algoritma pemrosesan teks standar.
  3. Kebutuhan Deteksi Dini Lonjakan Komplain: Tanpa pemodelan peramalan deret waktu (time-series forecasting), tim operasional tidak dapat mengantisipasi lonjakan komplain teknis pasca-pembaruan versi (update release) atau kampanye promo tanggal kembar (double-date sales).
Solusi & Nilai Tambah Sistem

Produk ini menghadirkan pipeline analitik cerdas end-to-end yang memadukan rekayasa teks domain e-commerce, ekstraksi aspek otomatis, pemodelan Transformer state-of-the-art, dan peramalan ekonometrika:

  1. Akuisisi Data Ulasan Skala Besar (10.000 Sampel): Mengikis ulasan resmi Play Store menggunakan strategi ganda (Dual-Sorting Strategy): 5.000 ulasan teranyar (Newest) untuk memantau isu pasca-update dan 5.000 ulasan paling relevan (Most Relevant) untuk menggali keluhan mendalam.
  2. Taksonomi 4 Aspek Operasional Kritis:
    • Aplikasi_Bug_UI: Kinerja aplikasi, crash, loading lambat, bug antarmuka, verifikasi OTP, dan login akun.
    • Pengiriman_Logistik: Kecepatan kurir SPX/J&T, estimasi tiba, pelacakan nomor resi, dan voucher gratis ongkir.
    • Transaksi_ShopeePay_Promo: Metode pembayaran ShopeePay, SPayLater, transfer perbankan, COD, koin, cashback, dan biaya penanganan.
    • Pelayanan_Seller_CS: Respons Customer Service (Live Chat), toko penjual, garansi barang rusak, retur, dan refund.
  3. Ekstraksi Aspek Leksikon Terbobot & Pelabelan Otomatis IndoBERT: Menggabungkan leksikon domain terbobot (>100 kata kunci) dengan model Transformer bahasa Indonesia mdhugol/indonesia-bert-sentiment-classification yang diselaraskan dengan rating bintang untuk menjamin konsistensi label.
  4. Benchmarking Komparatif 14 Model ML/DL: Menguji 12 algoritma Machine Learning (Logistic Regression, LinearSVC, RBF SVM, Naive Bayes, Random Forest, XGBoost, LightGBM, CatBoost, dll.), 2 arsitektur Deep Learning (PyTorch BiLSTM Attention & Fine-Tuned IndoBERT), menghasilkan IndoBERT Transformer sebagai pemenang dengan Akurasi 94.04%, Recall Macro 95.54%, dan F1-Score Macro 86.20%.
  5. Peramalan Deret Waktu Ekonometrika SARIMAX: Mengimplementasikan model deret waktu musiman SARIMAX(1, 0, 1) untuk memproyeksikan rasio komplain harian 14 hari ke depan lengkap dengan interval kepercayaan 95%.
  6. Dashboard Web Interaktif & RESTful API: Aplikasi web modern responsif Tailwind CSS dengan visualisasi matriks benchmark, sandbox pengujian teks ulasan interaktif dengan deteksi aspek otomatis, dan REST API /api/predict.
Fitur Utama Platform
  • Klasifikasi Sentimen Berbasis Aspek Otomatis: Mendeteksi aspek operasional dan sentimen (Positif, Netral, Negatif) secara instan hanya dari teks mentah pengguna.
  • Aspect Conditioning Sequence: Format token cerdas [ASPECT: <kategori>] <ulasan_bersih> yang memungkinkan model memahami konteks spesifik aspek yang sedang dievaluasi.
  • Sandbox Pengujian Interaktif dengan 5 Preset Riil: Pengujian 1-klik untuk berbagai skenario ulasan (pujian promo, keluhan aplikasi crash, apresiasi kurir SPX, kendala saldo tertahan, dan kepuasan seller).
  • Breakdown Probabilitas Sentimen & Latensi Inferensi: Menampilkan visualisasi persentase keyakinan ketiga kelas sentimen serta waktu eksekusi milidetik.
  • Visualisasi Metrik 14 Model Terintegrasi: Halaman web menyajikan tabel perbandingan akurasi, presisi, recall, F1-score, dan kecepatan latensi seluruh model.
  • Modul Ekonometrika SARIMAX Forecasting: Proyeksi tren risiko komplain pengguna 14 hari ke depan untuk mendukung kesiapan tim Customer Support.
  • RESTful JSON API Terstandarisasi: Endpoint /api/predict, /api/metrics, dan /api/health yang siap diintegrasikan ke sistem dashboard analitik internal perusahaan atau aplikasi mobile.

Fitur Utama Project

Source Code Lengkap & Terstruktur (Clean Architecture)
Dokumentasi Teknis & Pembahasan Lengkap
Backend Service & RESTful API Siap Pakai
Antarmuka Web Modern, Responsif, & Interaktif
Training Notebook Pipeline & Dependency Setup
Pretrained Model Weights & Paket Berkas ZIP Lengkap

Arsitektur & Pipeline Sistem

Alur data interaktif dari input request hingga hasil pemrosesan sistem:

6 Tahap Pipeline
1 DATA INGESTION

Scraping 10.000 Ulasan Play Store (Dual-Sorting Strategy)

Mengikis 10.000 ulasan resmi Shopee Indonesia menggunakan kombinasi 5.000 ulasan teranyar dan 5.000 ulasan paling relevan melalui library google-play-scraper.

google-play-scraper | 10.000 Ulasan | Raw CSV & Parquet
2 TEXT PREPROCESSING

Pembersihan Teks NLP E-Commerce & Normalisasi Slang Shopee

Menerapkan pembersihan regex, normalisasi elongasi karakter, standarisasi kamus slang e-commerce (>180 kata), dan penghapusan stopword selektif yang mempertahankan kata negasi.

Slang Dict >180 Kata | Negation Preservation | Case Folding
3 ASPECT EXTRACTION

Ekstraksi 4 Aspek Operasional Berbasis Leksikon Domain Terbobot

Mengelompokkan ulasan ke dalam 4 aspek operasional (Aplikasi Bug UI, Pengiriman Logistik, Transaksi ShopeePay Promo, Pelayanan Seller CS) menggunakan leksikon kata kunci terbobot.

4 Aspek Operasional | Multi-Word Phrasing | Dynamic Scoring
4 INDOBERT LABELING

Pelabelan Sentimen Otomatis & Konsistensi Rating IndoBERT

Memberikan label sentimen (Positif, Netral, Negatif) memanfaatkan pretrained Transformer IndoBERT yang divalidasi silang terhadap rating bintang untuk mengeliminasi anomali.

IndoBERT Sequence Classification | Rating-Aligned Validation
5 MULTI-MODEL BENCHMARK

Pelatihan & Benchmark 14 Model ML/DL (IndoBERT #1 Akurasi 94.04%)

Melatih 12 algoritma Machine Learning dengan TF-IDF N-gram dan 2 Deep Learning, menghasilkan Fine-Tuned IndoBERT sebagai model terbaik (Akurasi 94.04%, Recall 95.54%).

IndoBERT #1 (94.04%) | Logistic Regression #2 (89.25%) | 14 Models
6 WEB DEPLOYMENT & FORECASTING

Deployment Dashboard Web Interaktif, Proyeksi SARIMAX & REST API

Menyajikan dashboard responsif Tailwind CSS dengan sandbox inferensi real-time, grafik proyeksi keluhan harian SARIMAX 14 hari ke depan, dan endpoint REST API JSON.

Flask Server | Tailwind CSS UI | SARIMAX Forecasting | REST API
Source Repository

Struktur Berkas & Repositori

Hierarki folder dan berkas yang disertakan dalam paket proyek ini:

15 Berkas Proyek 3 Folder Utama
shopee_absa_preprocessed.csv 4.13 MB
Dataset Pratinjau
shopee_absa_preprocessed.parquet 2.27 MB
Dataset Pratinjau
shopee_playstore_raw.csv 4.6 MB
Dataset Pratinjau
shopee_playstore_raw.parquet 2.16 MB
Dataset Pratinjau
hero-absa.jpg 539.65 KB
hero-absa.png 539.65 KB
index.html 70.83 KB
01_scraping_shopee_playstore.ipynb 146.73 KB
Notebook Pratinjau
02_preprocessing_dan_labeling_indobert.ipynb 164.2 KB
Notebook Pratinjau
03_training_dan_evaluasi_model.ipynb 410.78 KB
Notebook Pratinjau
app.py 15.77 KB
link full project.txt 85 B
README.md 9.77 KB
markdown Pratinjau
requirements.txt 557 B
test_app.py 3.82 KB

Kebutuhan Sistem & Spesifikasi

Spesifikasi minimum perangkat untuk menjalankan project ini dengan lancar:

Spesifikasi Rekomendasi
Sistem Operasi
Windows 10/11, macOS Monterey+, atau Linux (Ubuntu 20.04/22.04 LTS)

Cross-platform compatible

Runtime & Bahasa
Python 3.10.x atau 3.11.x (Disarankan menggunakan virtual environment)

Lingkungan kerja teruji

Memori (RAM)
4 GB RAM minimum (Disarankan 8 GB RAM untuk kelancaran eksekusi IndoBERT Transformer)

Optimal untuk running service

Penyimpanan
1.5 GB ruang disk kosong untuk dataset, cache HuggingFace, dan model weights Safetensors

Untuk berkas & dependensi

Pertanyaan yang Sering Diajukan (FAQ)

Jawaban ringkas terkait lisensi, akses file unduhan, dan panduan instalasi:

Bagaimana cara mendapatkan source code setelah pembayaran?

Segera setelah pembayaran lunas (PAID), berkas ZIP project dapat langsung diunduh secara instan dari halaman ini atau menu Dashboard > Pembelian & Unduhan. Salinan bukti invoice transaksi dan tautan akses juga dikirim otomatis ke alamat email Anda.

Apakah ada panduan instalasi dan dokumentasi teknis?

Ya! Setiap project di Devilda Projects menyertakan dokumentasi teknis komprehensif, arsitektur sistem, struktur database, serta instruksi langkah demi langkah cara setup environment lokal hingga siap di-run.

Bolehkah source code ini dimodifikasi untuk tugas akhir/skripsi/komersial?

Tentu saja. Pembelian lisensi memberikan Anda hak penuh untuk memodifikasi, mengkustomisasi, dan mengembangkan source code ini untuk keperluan tugas akhir, skripsi, portfolio kerja, maupun proyek komersial klien Anda.

Bagaimana jika saya mengalami kendala teknis saat instalasi?

Tim teknis Devilda siap membantu asistensi. Anda dapat berkonsultasi langsung dengan tim kami via WhatsApp CS Devilda (0878-2851-5500). Kami siap membantu kendala instalasi.

Ulasan Pembeli

Ulasan terverifikasi dari pengguna yang telah membeli project ini.

5.0 (0)

Belum ada ulasan untuk project ini.

Harga Lisensi Source Code
Rp 350.000 / sekali bayar
Tayangan: 9 kali dilihat
Populer
Tonton Demo TikTok
Lihat
Beli Source Code Sekarang

Pembayaran aman via QRIS (Semua E-Wallet) & Virtual Account.

Yang Anda Dapatkan:

  • Full Source Code Lengkap & Aset Project
  • Teknologi: Python, Flask, PyTorch, Tailwind CSS
  • Panduan Instalasi & Konfigurasi Lingkungan
  • Seluruh Bab Dokumentasi Teknis Langkah demi Langkah
  • Hak Lisensi Tugas Akhir, Skripsi & Komersial
  • Akses Unduhan Berkas ZIP & Code Explorer Langsung
Download link instan dan akses dokumentasi dikirim otomatis ke akun Anda.