training.sentiment.py

import numpy as np
from sklearn.feature_extraction.text import CountVectorizer
from sklearn.naive_bayes import MultinomialNB
import mysql.connector

# Konfigurasi koneksi ke database MySQL
config = {
    'user': 'root',
    'password': '',
    'host': 'localhost',
    'database': 'db_sentimen',
    'port': '3306'  # ganti dengan port MySQL Anda (biasanya 3306)
}

# Membuka koneksi ke database
conn = mysql.connector.connect(**config)

# Membuat kursor untuk berinteraksi dengan database
cursor = conn.cursor()

# Menjalankan kueri untuk mengambil data
query = 'SELECT content, training FROM eval_opinion where id <= 100'
cursor.execute(query)

# Mengambil semua data yang dihasilkan dari kueri
data = cursor.fetchall()

counts = len(data)
sentences = [item[0] for item in data]
labels = [item[1] for item in data]


# # Data training (contoh data)
# sentences = [
#     "Produk ini sangat bagus!",
#     "Saya puas dengan layanan pelanggan mereka.",
#     "Harga produk ini terlalu mahal.",
#     "Pengalaman buruk dengan produk ini.",
#     "Saya merasa biasa saja tentang produk ini.",
# ]

# labels = ['positif', 'positif', 'negatif', 'negatif', 'netral']

# Preprocessing data teks menggunakan CountVectorizer
vectorizer = CountVectorizer()
X_train_counts = vectorizer.fit_transform(sentences)

# Latih model Naive Bayes
classifier = MultinomialNB()
classifier.fit(X_train_counts, labels)


query = 'SELECT content, training FROM eval_opinion where id > 100'
cursor.execute(query)
data = cursor.fetchall()

# Inputan untuk diprediksi sentimennya
count_tests = len(data)
input_text = [item[0] for item in data]
training_result = [item[1] for item in data]

# Preprocessing data teks inputan
X_input_counts = vectorizer.transform(input_text)

# Lakukan prediksi pada data inputan
predicted_sentiments = classifier.predict(X_input_counts)


results = []
# Hasil prediksi
i = 0
valid = 0

for text, sentiment in zip(input_text, predicted_sentiments):
    if training_result[i] == sentiment:
        valid += 1
    i += 1


print(f'Data Training = {counts}')
print(f'Data Uji Coba = {count_tests}')
print(f'Data Valid = {valid}')
print(f'Akurasi = {valid / count_tests}')