Pengertian Singkat Tentang Analisi Sentimen Beserta Contohnya

Posted by Ofal_Basya34 pada tanggal
Analisis sentimen adalah teknik untuk mengekstrak dan memahami sentimen atau perasaan positif, negatif, atau netral dari teks atau bahasa yang digunakan. Analisis sentimen sering digunakan dalam industri untuk memahami dan mengukur sentimen pengguna terhadap produk atau layanan, atau untuk memonitor reputasi merek di media sosial. Berikut ini adalah contoh analisis sentimen: Contoh 1: Teks: "Saya sangat senang dengan produk baru ini! Fiturnya sangat baik dan sangat mudah digunakan." Analisis: Sentimen positif Penjelasan: Teks ini mengekspresikan perasaan senang terhadap produk baru dan menyatakan bahwa fiturnya baik dan mudah digunakan. Contoh 2: Teks: "Aku benar-benar kecewa dengan pelayanan pelanggan. Mereka sangat lambat dan tidak efektif dalam menyelesaikan masalahku." Analisis: Sentimen negatif Penjelasan: Teks ini mengekspresikan perasaan kecewa terhadap pelayanan pelanggan yang lambat dan tidak efektif dalam menyelesaikan masalah pelanggan. Contoh 3: Teks: ...
0

Fungsi Autokorelasi dan contoh programnya

Posted by Ofal_Basya34 pada tanggal

Autokorelasi adalah suatu teknik analisis statistik yang digunakan untuk mengukur korelasi antara sebuah seri waktu dengan dirinya sendiri pada waktu yang berbeda. Fungsi autokorelasi dapat digunakan untuk mengidentifikasi pola-pola pada seri waktu dan untuk membangun model yang dapat memprediksi nilai-nilai seri waktu tersebut.

Fungsi Autokorelasi Sederhana (ACF) mengukur korelasi antara sebuah seri waktu dengan dirinya sendiri pada waktu yang berbeda. Fungsi Autokorelasi Parsial (PACF) mengukur korelasi antara sebuah seri waktu dengan dirinya sendiri pada waktu yang berbeda, setelah efek dari nilai-nilai pada waktu yang berada di antara waktu tersebut dihilangkan.

Berikut ini adalah contoh program Python untuk menghitung fungsi autokorelasi sederhana menggunakan library statsmodels:
import numpy as np import pandas as pd import matplotlib.pyplot as plt import statsmodels.api as sm # membuat data seri waktu acak np.random.seed(123) data = np.random.randn(1000) # menghitung fungsi autokorelasi sederhana acf = sm.tsa.acf(data, nlags=20) # menampilkan hasil dalam bentuk grafik plt.stem(acf) plt.xlabel('Lag') plt.ylabel('ACF') plt.show()

Dalam program di atas, data seri waktu acak dibuat menggunakan library NumPy. Kemudian, fungsi autokorelasi sederhana dihitung menggunakan fungsi acf() dari library statsmodels dengan parameter nlags=20 yang menentukan jumlah lag yang akan digunakan. Hasilnya ditampilkan dalam bentuk grafik menggunakan library Matplotlib.

Komentar

Posting Komentar