📊 Sentiment Analysis of Wuthering Waves Reviews on Google Play Store

Proyek ini bertujuan untuk menganalisis sentimen dari ulasan pengguna terhadap game Wuthering Waves yang tersedia di Google Play Store. Proses dimulai dari pengambilan data melalui scraping, pra-pemrosesan teks, hingga klasifikasi sentimen menggunakan pendekatan leksikon berbahasa Indonesia.

---

📁 Struktur Proyek

Sentiment-Analysis-Wuthering-Waves/
│
├── Scraping.ipynb              # Notebook untuk mengambil data review dari Google Play Store
├── Preprocess.ipynb            # Notebook untuk preprocessing teks dan analisis sentimen
├── wuwa_clean.csv              # Dataset hasil scraping dan pembersihan awal
├── README.md                   # Dokumentasi proyek ini
├── requirements.txt		# Berisi library yang dibutuhkan untuk mengakses project ini

---

🔧 Tools & Library

• Python 3
• google-play-scraper
• pandas, numpy
• NLTK
• Sastrawi (stemmer Bahasa Indonesia)
• matplotlib, wordcloud
• Requests, re, string

---

🧾 Langkah-langkah Proyek

1. 📥 Scraping Data

• Mengambil hingga 1000 ulasan paling relevan dari aplikasi dengan ID com.kurogame.wutheringwaves.global (Wuthering Waves).
• Data difilter untuk menghapus kolom tidak penting dan duplikat.

2. 🧹 Preprocessing Teks

Dilakukan beberapa tahap pembersihan dan normalisasi data:

• Menghapus tanda baca, angka, link, mention, hashtag, dan whitespace tidak penting.
• Konversi ke huruf kecil.
• Penggantian kata-kata slang khas game/chat ke bentuk standar.
• Tokenisasi dan penghapusan stopwords Bahasa Indonesia dan Inggris.
• Stemming menggunakan library Sastrawi.

3. 🏷️ Analisis Sentimen

• Menggunakan pendekatan lexicon-based dengan dua kamus kata:
  • lexicon_positive.csv
  • lexicon_negative.csv
• Klasifikasi sentimen dilakukan menjadi:
  • positive
  • negative
  • neutral

4. 📊 Visualisasi

• Pie chart untuk distribusi sentimen.
• Word Cloud untuk melihat kata-kata yang sering muncul:
  • Seluruh data
  • Sentimen positif
  • Sentimen negatif
  • Sentimen netral

---

🔍 Hasil Sementara

• Sentimen terbanyak: Positive (42%)
• Visualisasi menunjukkan kata-kata yang umum dalam setiap kategori sentimen.

---

📝 Catatan

• Analisis ini bersifat leksikal dan belum menggunakan machine learning.
• Kamus leksikon positif/negatif berasal dari sumber publik di GitHub.

---

💡 Pengembangan Selanjutnya

• Menggunakan model supervised seperti Naive Bayes, SVM, atau LSTM untuk klasifikasi sentimen.
• Mendeteksi aspek sentimen (aspect-based sentiment analysis).
• Perbandingan ulasan berdasarkan versi aplikasi atau waktu rilis update.

---

📚 Referensi

• Google Play Scraper: https://pypi.org/project/google-play-scraper/
• Kamus Sentimen: angelmetanosaa/dataset
• Sastrawi Stemmer: https://github.com/sastrawi/sastrawi

---

🧑‍💻 Author

Lalu Olfata Vedora Zurji