Update README.md

README.md

@@ -1,9 +1,57 @@
 ---
-license: mit
-language:
-- id
+language: id
 tags:
-- sentiment-analysis
-- text-classification
-- naive-bayes
----
+  - sentiment-analysis
+  - text-classification
+  - naive-bayes
+license: mit
+---
+
+# SentimentAnalyzer
+
+**SentimentAnalyzer** adalah model analisis sentimen berbasis Naive Bayes yang dirancang untuk mengklasifikasikan kalimat dalam bahasa Indonesia ke dalam kategori sentimen seperti positif, negatif, atau netral.
+
+## Deskripsi Model
+
+Model ini menggunakan algoritma Naive Bayes untuk analisis sentimen. Model ini dilatih menggunakan dataset teks dalam bahasa Indonesia yang berisi kalimat-kalimat dengan label sentimen. Model ini dapat digunakan untuk mengidentifikasi sentimen dari teks bahasa Indonesia dengan akurasi yang baik.
+
+## Penggunaan
+
+Berikut adalah contoh kode untuk mengunduh dan menggunakan model ini:
+
+```python
+from huggingface_hub import hf_hub_download
+import pickle
+import nltk
+from nltk.tokenize import word_tokenize
+from nltk.corpus import stopwords
+import string
+
+# Unduh model dari Hugging Face
+model_path = hf_hub_download(repo_id="aditdwi123/SentimentAnalyzer", filename="naive_bayes_model.pkl")
+
+# Muat model dari file
+with open(model_path, "rb") as model_file:
+    model = pickle.load(model_file)
+
+# Fungsi untuk preprocessing teks
+def preprocess(text):
+    text = text.lower()  # Konversi ke huruf kecil
+    tokens = word_tokenize(text)  # Tokenisasi
+    tokens = [t for t in tokens if t not in stopwords.words('indonesian') and t not in string.punctuation]  # Hapus stopwords dan tanda baca
+    return tokens
+
+# Fungsi untuk mengekstrak fitur dari setiap kata
+def extract_features(words):
+    return {word: True for word in words}
+
+# Fungsi untuk mengklasifikasikan kalimat
+def classify_sentence(sentence):
+    features = extract_features(preprocess(sentence))
+    return model.classify(features)
+
+# Uji model dengan kalimat baru
+test_sentence = "saya sangat senang dengan pelayanan yang baik"
+predicted_sentiment = classify_sentence(test_sentence)
+print(f"Kalimat: {test_sentence}")
+print(f"Prediksi Sentimen: {predicted_sentiment}")