🧠 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

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

cd "d:\SEMESTER 7\Tugas Akhir\project"

2. Aktifkan Virtual Environment

.\venv\Scripts\activate

3. Jalankan Server Flask

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