Update app.py

app.py

@@ -3,6 +3,7 @@ from transformers import BertTokenizer
 from transformers import TFBertForSequenceClassification
 from Sastrawi.Stemmer.StemmerFactory import StemmerFactory  # Import Sastrawi
 import streamlit as st
+import re
 
 # Fungsi untuk memuat model BERT dan tokenizer
 PRE_TRAINED_MODEL = 'indobenchmark/indobert-base-p2'
@@ -16,7 +17,20 @@ stemmer = StemmerFactory().create_stemmer()  # Membuat stemmer Sastrawi
 def preprocess_text(text):
     # Menggunakan Sastrawi untuk stemming
     stemmed_text = stemmer.stem(text.lower())
+    stemmed_text = re.sub(r'\d+', '', stemmed_text)  # Menghapus angka
+    stemmed_text = re.sub(r'\s+', ' ', stemmed_text)  # Menghapus spasi berlebihan
+    stemmed_text = re.sub(r'[^\w\s]', '', stemmed_text)# Menghapus simbol dan tanda baca
+    stemmed_text = re.sub(r'[^\x00-\x7F]+', '', stemmed_text) # ascii
 
+    stopwords = ['dan', 'atau', 'juga', 'yang', 'untuk', 'karena', 'juga', 'tapi', 'yg', 'lg', 'ini', 'sih', 'saya', 'nih', 'ni', 'aku', 'ya', 'kami', 'lagi', 'udh', 'di', 'kita',
+                 'terus', 'kok', 'jadi', 'tpi', 'tapi', 'sama', 'lain', 'sm', 'min', 'karna', 'ah', 'eh', 'oh', 'he','kamu', 'aku',
+                 'diri', 'waduh', 'kan', 'itu', 'lalu', 'd', 'klo', 'pun', 'dr', 'nge', 'mah', 'ny',
+                 'itu', 'dari', 'kite', 'yaa', 'si', 'lah', 'gua', 'gue', 'iki', 'wooii', 'woy',
+                 'woi', 'gw', 'dari', 'bang', 'sya', 'ane', 'mulu', 'rb', 'org', 'oii', 'gtu', 'gya', 'nii', 'jga', 'duh', 'dah', 'deh', 'nang', 'p', 'cs' , 
+                 'g', 'njii', 'lot', 'loh', 'x', 'lu', 'woe', 'yg', 'kak', 'aq', 'dong', 'kali', 'rill', 'wahh', 'trss', 'sya', 'dab', 'test', 'yok', 'kk',
+                 'pak','rp', 'kok', 'kek', 'bosku', 'nya', 'bang', 'ka', 'gais', 'gih', 'oy', 'ki', 'ku', 'ke', 'ko', 'yah'
+                 ]
+    stemmed_text = ' '.join(word for word in stemmed_text.split() if word not in stopwords)
     return stemmed_text
 
 def predict_sentiment(text):
@@ -27,24 +41,43 @@ def predict_sentiment(text):
     sentiment = tf.argmax(probabilities, axis=1)
     return sentiment.numpy()[0], probabilities.numpy()[0]
 
-# Judul aplikasi
-st.title('Prediksi Sentimen menggunakan BERT')
+menu = ["Home","Prediksi Analisis"]
+choice = st.sidebar.selectbox("Menu", menu)
+
+
+if choice == "Home":
+    st.title("Selamat datang di Prediksi Sentimen Aplikasi Dana di Intagram Menggunakan BERT")
+    st.write("Ini adalah aplikasi prediksi ulasan aplikasi Vidio menggunakan model Decision Tree. Aplikasi ini dapat memprediksi apakah ulasan aplikasi Vidio bersifat positif atau negatif berdasarkan teks yang dimasukkan.")
+    st.write("Ini adalah aplikasi prediksi ulasan aplikasi Vidio menggunakan model Decision Tree. Aplikasi ini dapat memprediksi apakah ulasan aplikasi Vidio bersifat positif atau negatif berdasarkan teks yang dimasukkan.")
+    st.write("Ini adalah aplikasi prediksi ulasan aplikasi Vidio menggunakan model Decision Tree. Aplikasi ini dapat memprediksi apakah ulasan aplikasi Vidio bersifat positif atau negatif berdasarkan teks yang dimasukkan.")
+    st.write("Ini adalah aplikasi prediksi ulasan aplikasi Vidio menggunakan model Decision Tree. Aplikasi ini dapat memprediksi apakah ulasan aplikasi Vidio bersifat positif atau negatif berdasarkan teks yang dimasukkan.")
+    st.write("Ini adalah aplikasi prediksi ulasan aplikasi Vidio menggunakan model Decision Tree. Aplikasi ini dapat memprediksi apakah ulasan aplikasi Vidio bersifat positif atau negatif berdasarkan teks yang dimasukkan.")
+    st.write("Ini adalah aplikasi prediksi ulasan aplikasi Vidio menggunakan model Decision Tree. Aplikasi ini dapat memprediksi apakah ulasan aplikasi Vidio bersifat positif atau negatif berdasarkan teks yang dimasukkan.")
+    st.write("Ini adalah aplikasi prediksi ulasan aplikasi Vidio menggunakan model Decision Tree. Aplikasi ini dapat memprediksi apakah ulasan aplikasi Vidio bersifat positif atau negatif berdasarkan teks yang dimasukkan.")
+    st.write("Ini adalah aplikasi prediksi ulasan aplikasi Vidio menggunakan model Decision Tree. Aplikasi ini dapat memprediksi apakah ulasan aplikasi Vidio bersifat positif atau negatif berdasarkan teks yang dimasukkan.")
+    st.write("Ini adalah aplikasi prediksi ulasan aplikasi Vidio menggunakan model Decision Tree. Aplikasi ini dapat memprediksi apakah ulasan aplikasi Vidio bersifat positif atau negatif berdasarkan teks yang dimasukkan.")
+    st.write("Ini adalah aplikasi prediksi ulasan aplikasi Vidio menggunakan model Decision Tree. Aplikasi ini dapat memprediksi apakah ulasan aplikasi Vidio bersifat positif atau negatif berdasarkan teks yang dimasukkan.")
+    st.write("Ini adalah aplikasi prediksi ulasan aplikasi Vidio menggunakan model Decision Tree. Aplikasi ini dapat memprediksi apakah ulasan aplikasi Vidio bersifat positif atau negatif berdasarkan teks yang dimasukkan.")
+    st.write("Ini adalah aplikasi prediksi ulasan aplikasi Vidio menggunakan model Decision Tree. Aplikasi ini dapat memprediksi apakah ulasan aplikasi Vidio bersifat positif atau negatif berdasarkan teks yang dimasukkan.")
+    st.write()
+elif choice == "Prediksi Analisis":
+    st.title('Prediksi Sentimen menggunakan BERT')
 
 # Input teks
-text = st.text_area('Masukkan teks', '')
+    text = st.text_area('Masukkan teks', '')
 
 # Tombol untuk memprediksi sentimen
-if st.button('Prediksi'):
-    if text.strip() == '':
-        st.warning('Masukkan teks terlebih dahulu.')
-    else:
-        sentiment, probabilities = predict_sentiment(text)
-        
-        # Menghitung persentase probabilitas sentimen positif
-        positive_probability = probabilities[1] * 100
-        negative_probability = probabilities[0] * 100
-        st.write(f'HASIL PREDIKSI')
-        if sentiment == 0:
-            st.write(f'Negatif ({negative_probability:.2f}%)')
+    if st.button('Prediksi'):
+        if text.strip() == '':
+            st.warning('Masukkan teks terlebih dahulu.')
         else:
-            st.write(f'Positif ({positive_probability:.2f}%)')
+            sentiment, probabilities = predict_sentiment(text)
+            
+            # Menghitung persentase probabilitas sentimen positif
+            positive_probability = probabilities[1] * 100
+            negative_probability = probabilities[0] * 100
+            st.write(f'HASIL PREDIKSI')
+            if sentiment == 0:
+                st.write(f'Negatif ({negative_probability:.2f}%)')
+            else:
+                st.write(f'Positif ({positive_probability:.2f}%)')