# 🧠 Analisis Sentimen Komentar TikTok (TF-IDF & Logistic Regression)

Sistem aplikasi web untuk klasifikasi dan analisis sentimen komentar video TikTok berbahasa Indonesia ke dalam kategori **POSITIF** atau **NEGATIF**. Sistem ditenagai oleh representasi fitur **TF-IDF (1..2 n-gram)** dan model **Logistic Regression**.

---

## ✨ Fitur Utama Sistem

1. **Dashboard & Analisis Video TikTok**:
   - Memasukkan tautan video TikTok (`https://www.tiktok.com/@.../video/...`).
   - Menganalisis komentar secara otomatis (Mode Demo 300 komentar realistis) atau input komentar manual (*one comment per line*).
   - Menghitung persentase sentimen, rasio sentimen, dan diagram visual (*Donut Chart*).
2. **Riwayat Analisis (History)**:
   - Menyimpan seluruh riwayat analisis ke database SQLite lokal (`sentiment_tiktok.db`).
   - Tabel komentar interaktif dengan filter (*Semua, Positif, Negatif*) dan paginasi.
3. **Pengujian Model & Confusion Matrix (Admin)**:
   - Evaluasi komprehensif performa model Logistic Regression & ekstraksi TF-IDF.
   - Perhitungan otomatis Akurasi, Presisi, Recall, F1-Score, dan Matriks Kebingungan 2x2 (*True Positive, True Negative, False Positive, False Negative*).
   - Mendukung 3 mode sumber data uji: Dataset Benchmark Bawaan (60 sampel seimbang), Upload File CSV/TXT berlabel, dan Input Manual Batch.
   - Tabel Classification Report formal standar Scikit-Learn dan rincian prediksi per sampel komentar.
   - Ekspor laporan pengujian ke format CSV dan cetak PDF.
4. **Autentikasi Pengguna**:
   - Sistem login dan registrasi akun peneliti.
   - Akun default: `admin@tiktok.com` (password: `admin123`).

---

## 📁 Struktur Direktori Proyek

```text
project/
├── app.py                          # Server Flask utama (REST API, Autentikasi, Analisis TikTok, Static)
├── nlp.py                          # Modul pra-pemrosesan teks NLP (9 tahapan pembersihan)
├── models.py                       # Modul pemuatan model Logistic Regression & ekstraksi TF-IDF
├── model_logistic_regression.pkl    # Bobot model Logistic Regression hasil latih
├── tfidf_vectorizer.pkl            # Objek TF-IDF Vectorizer terlatih (4.732 fitur n-gram)
├── kamus_alay.csv                  # Dataset kamus normalisasi kata alay/slang
├── requirements.txt                # Daftar pustaka Python yang dibutuhkan
├── Readme.md                       # Dokumentasi panduan lengkap (file ini)
├── PENJELASAN_PROJECT.txt          # Dokumentasi teknis & simulasi perhitungan matematis
├── sentiment_tiktok.db             # Database SQLite lokal untuk riwayat & pengguna
│
└── frontend/                       # Aset Antarmuka Pengguna (Web SPA)
    ├── index.html                  # Halaman utama aplikasi Analisis Sentimen TikTok
    ├── style.css                   # Berkas tata letak dan tema modern
    └── app.js                      # Logika SPA (Router, Auth, Dashboard, Riwayat, Donut Chart)
```

---

## ⚙️ Persyaratan Sistem & Dependensi

Proyek ini menggunakan **Python 3.11 / 3.12**.

| Pustaka | Versi | Kegunaan |
|---|---|---|
| **Flask** | `>=3.0.0` | Server web & penyedia endpoint REST API |
| **scikit-learn** | `>=1.3.0` | Model Logistic Regression & TF-IDF Vectorizer |
| **joblib** | `>=1.3.0` | Deserialisasi file model `.pkl` |
| **pandas** | `>=2.0.0` | Pembacaan dataset kamus kata gaul CSV |
| **nltk** | `>=3.8.0` | Tokenisasi kata (`word_tokenize`) & korpus stopword |
| **Sastrawi** | `>=1.0.1` | Algoritma stemming kata dasar bahasa Indonesia |

---

## 🚀 Cara Menjalankan Aplikasi

### 1. Buka PowerShell / Terminal pada folder proyek
```powershell
cd "d:\SEMESTER 7\Tugas Akhir\project"
```

### 2. Aktifkan Virtual Environment
```powershell
.\venv\Scripts\activate
```

### 3. Jalankan Server Flask
```powershell
python App.py
```
*(Atau `.\venv\Scripts\python.exe App.py`)*

### 4. Buka di Browser
Kunjungi alamat:
```
http://127.0.0.1:5000
```
- **Login Akun Bawaan**:
  - Email: `admin@tiktok.com`
  - Password: `admin123`
- Atau klik **"Daftar"** untuk membuat akun baru.

---

## 📡 Dokumentasi Endpoint REST API

| Method | Endpoint | Keterangan |
|---|---|---|
| `GET` | `/` atau `/index.html` | Memuat aplikasi web utama (TikTok Sentiment Analysis) |
| `POST` | `/api/login` | Autentikasi pengguna (`email`, `password`) |
| `POST` | `/api/register` | Mendaftarkan pengguna baru |
| `GET` | `/api/me` | Memeriksa sesi pengguna aktif |
| `POST` | `/api/logout` | Mengakhiri sesi pengguna |
| `GET` | `/api/stats` | Statistik total analisis, komentar, positif, negatif |
| `GET` | `/api/analyses` | Mengambil seluruh riwayat analisis pengguna |
| `POST` | `/api/analyses` | Menganalisis video TikTok baru (`tiktok_url`, `manual_comments`) |
| `GET` | `/api/analyses/<id>` | Detail analisis video (ringkasan persentase sentimen) |
| `DELETE` | `/api/analyses/<id>` | Menghapus data analisis dan komentarnya |
| `GET` | `/api/analyses/<id>/comments` | Daftar komentar dengan filter (`POSITIF`/`NEGATIF`) dan paginasi |
| `POST` | `/predict` | Inferensi satu komentar langsung via REST API |
| `GET` | `/api/model-test/benchmark` | Mengambil dataset benchmark terkurasi 60 sampel berlabel |
| `POST` | `/api/model-test/evaluate` | Evaluasi batch model menghasilkan Confusion Matrix & classification report |