Quiz

--- primary_color: steelblue secondary_color: lightgray text_color: black --- ### Dasar Analisis Sentimen Apa perbedaan utama antara pendekatan rule-based dan machine learning dalam analisis sentimen? 1. [x] Rule-based menggunakan aturan manusia, sementara machine learning belajar dari data. 1. [ ] Machine learning menggunakan aturan manusia, sementara rule-based belajar dari data. 1. [ ] Keduanya hanya bergantung pada aturan manusia. 1. [ ] Keduanya selalu menghasilkan hasil yang sama. ### Persiapan Lingkungan Pengembangan Apa tujuan dari instalasi library NLTK dalam persiapan lingkungan pengembangan? 1. [ ] Membuat grafik dan visualisasi data. 1. [ ] Melakukan analisis sentimen dengan aturan. 1. [x] Mendukung pengolahan bahasa alami dalam Python. 1. [ ] Menjalankan model machine learning. ### Pendekatan Analisis Sentimen dengan Python Apa peran dari library TextBlob dalam analisis sentimen? 1. [ ] Membuat grafik visual dari hasil analisis sentimen. 1. [ ] Melakukan tokenisasi pada teks ulasan. 1. [x] Memberikan nilai sentimen pada teks. 1. [ ] Melakukan pembagian data secara acak. ### Analisis Sentimen Menggunakan TextBlob Bagaimana cara TextBlob menilai sentimen pada suatu teks? 1. [x] Menggunakan aturan manusia yang telah ditentukan. 1. [ ] Melakukan analisis statistik terhadap frekuensi kata-kata. 1. [ ] Menggunakan machine learning untuk memprediksi sentimen. 1. [ ] Menghitung rata-rata bobot kata-kata. ### Analisis Sentimen dengan Rule-Based Apa keunggulan utama menggunakan pendekatan rule-based seperti VADER Sentiment Analysis? 1. [x] Dapat mengatasi variasi kompleks bahasa. 1. [ ] Memerlukan pre-processing yang kompleks. 1. [ ] Mampu memahami konteks teks secara mendalam. 1. [ ] Tidak memerlukan pembagian data. ### Pre-processing dengan NLTK Apa tujuan dari langkah pre-processing berikut menggunakan NLTK? ```python from nltk.corpus import stopwords from nltk.stem import PorterStemmer stop_words = set(stopwords.words('english')) ps = PorterStemmer() def preprocess_text(text): words = text.split() words = [ps.stem(word) for word in words if word not in stop_words] return ' '.join(words) preprocessed_text = preprocess_text("The quick brown fox jumps over the lazy dog.") ``` 1. [ ] Menerapkan tokenisasi pada teks. 1. [ ] Membersihkan karakter non-alfanumerik. 1. [x] Melakukan stemming pada kata-kata. 1. [ ] Memilih kata-kata berdasarkan frekuensi. ### Penggunaan TextBlob untuk Analisis Sentimen Apa output yang dihasilkan dari kode berikut? ```python from textblob import TextBlob text = "This movie is fantastic!" blob = TextBlob(text) sentiment = "Positive" if blob.sentiment.polarity > 0 else "Negative" ``` 1. [x] Positive 1. [ ] Negative 1. [ ] Fantastic 1. [ ] 0.5 ### Analisis Sentimen Menggunakan VADER Sentiment Analysis Apa output yang dihasilkan dari kode berikut? ```python from vaderSentiment.vaderSentiment import SentimentIntensityAnalyzer analyzer = SentimentIntensityAnalyzer() sentiment_score = analyzer.polarity_scores("This product is terrible.") ``` 1. [x] {'compound': -0.4767, 'neg': 0.802, 'neu': 0.198, 'pos': 0.0} 1. [ ] Positive 1. [ ] Terrible 1. [ ] -0.4767 ### Pendekatan Rule-Based dengan VADER Sentiment Analysis Apa yang dilakukan oleh kode berikut? ```python vader_sentiment = [analyzer.polarity_scores(text)['compound'] for text in test_texts] vader_predictions = [1 if score >= 0 else 0 for score in vader_sentiment] ``` 1. [ ] Melakukan pre-processing pada teks. 1. [x] Membuat model rule-based dengan VADER Sentiment Analysis. 1. [ ] Mengukur akurasi model VADER pada data pengujian. 1. [ ] Melakukan tokenisasi pada teks. ### Penggunaan TextBlob untuk Analisis Sentimen Lanjutan Bagaimana kita dapat menentukan tingkat kepercayaan (confidence) dari hasil analisis sentimen menggunakan TextBlob? ```python from textblob import TextBlob text = "This product is somewhat satisfactory." blob = TextBlob(text) sentiment = blob.sentiment confidence = sentiment.subjectivity ``` 1. [ ] Dengan menggunakan metode get_confidence() pada objek blob. 1. [x] Dengan menggunakan atribut subjectivity pada objek sentiment. 1. [ ] Dengan menggunakan atribut polarity pada objek sentiment. 1. [ ] Dengan menggunakan metode get_subjectivity() pada objek blob.