Metadata-Version: 2.2
Name: sentimentX_btc
Version: 0.0.3
Summary: sentiment btc prediction with BiLSTM
Author-email: Komang Nitay Prasaddas <nitay06@students.amikom.ac.id>
Project-URL: Homepage, https://github.com/pypa/sampleproject
Project-URL: Issues, https://github.com/pypa/sampleproject/issues
Keywords: prediction,bitcoin,ai
Classifier: Programming Language :: Python :: 3
Classifier: License :: OSI Approved :: MIT License
Classifier: Operating System :: OS Independent
Requires-Python: >=3.8
Description-Content-Type: text/markdown
License-File: LICENCE
Requires-Dist: opencv-contrib-python

## SentimenX-BTC Package untuk menganalisis sentimen Bitcoin dari teks menggunakan preprocessing, tokenization, dan model machine learning. 

## Fitur Utama 
- Membersihkan teks dari noise seperti tanda baca dan angka. 
- Tokenisasi teks dengan padding otomatis. 
- Analisis sentimen menggunakan model machine learning terlatih. 
- Mendukung klasifikasi sentimen positif dan negatif. 

## Instalasi Gunakan pip untuk menginstal package ini: pip install sentimentX-btc 

# How to Use?

## 1. **`preprocessing(text)`**
### Deskripsi:
Fungsi ini digunakan untuk membersihkan teks dari simbol atau karakter yang tidak diinginkan, mengubah teks menjadi huruf kecil, dan menghapus kata-kata berhenti (stop words). Fungsi ini mendukung input berupa string, pandas Series, atau list.

### Parameter:
- **`text`**: Input berupa string, pandas Series, atau list teks mentah yang akan diproses.

### Output:
- Mengembalikan teks yang telah diproses dalam bentuk pandas Series.

### Contoh Penggunaan:
```python
text = "Hello, world! This is a test."
processed_text = preprocessing(text)
print(processed_text)
```

---

## 2. **`tokenize_and_padding(text, max_len=0)`**
### Deskripsi:
Fungsi ini melakukan tokenisasi (mengubah teks menjadi token angka) dan padding (menyesuaikan panjang token agar seragam). Panjang padding dapat ditentukan secara manual atau dihitung otomatis.

### Parameter:
- **`text`**: Input berupa string, pandas Series, atau list teks yang akan ditokenisasi dan dipad.
- **`max_len`** *(opsional)*: Panjang maksimum padding. Jika 0, panjang akan dihitung otomatis.

### Output:
- Mengembalikan numpy array berisi token yang telah dipad.

### Contoh Penggunaan:
```python
text = ["This is a test", "Another example"]
padded_sequences = tokenize_and_padding(text)
print(padded_sequences)
```

---

## 3. **`only_prediction(tokenized)`**
### Deskripsi:
Fungsi ini melakukan prediksi sentimen berdasarkan token yang telah diproses menggunakan model. Hasilnya berupa probabilitas dan label sentimen (positif/negatif).

### Parameter:
- **`tokenized`**: Numpy array atau list token yang telah dipad.

### Output:
- DataFrame dengan kolom:
  - **`prediction`**: Probabilitas prediksi.
  - **`sentiment`**: Label sentimen (1 = positif, 0 = negatif).

### Contoh Penggunaan:
```python
tokenized = [[1, 2, 3, 4], [5, 6, 7, 0]]
result = only_prediction(tokenized)
print(result)
```

---

## 4. **`full_prediction(text, pad=0)`**
### Deskripsi:
Fungsi ini melakukan proses lengkap mulai dari preprocessing, tokenisasi, padding, hingga prediksi sentimen untuk teks mentah.

### Parameter:
- **`text`**: Input berupa string atau pandas Series yang akan diproses.
- **`pad`** *(opsional)*: Panjang padding. Jika 0, panjang akan dihitung otomatis.

### Output:
- DataFrame dengan kolom:
  - **`text`**: Teks yang telah diproses.
  - **`padded`**: Token hasil padding.
  - **`prediction`**: Probabilitas prediksi.
  - **`sentiment`**: Label sentimen (1 = positif, 0 = negatif).

### Contoh Penggunaan:
```python
text = "This is a great day!"
result = full_prediction(text)
print(result)
```

---

## 5. **`detokenized(sequences)`**
### Deskripsi:
Fungsi ini mengubah token angka hasil tokenisasi kembali menjadi teks asli berdasarkan mapping `tokenizer.index_word`.

### Parameter:
- **`sequences`**: List dua dimensi berisi token angka.

### Output:
- List teks hasil detokenisasi.

### Contoh Penggunaan:
```python
sequences = [[1, 2, 3, 4], [5, 6, 0, 0]]
detokenized_text = detokenized(sequences)
print(detokenized_text)
```

---

---

**Selamat menganalisis! Semoga bermanfaat!** 😄



## Dependencies Package ini membutuhkan library berikut: 
- Python 3.7+ 
- TensorFlow 
- Numpy 
- Pandas 
- Scikit-learn 
- Joblib  

## Lisensi Project ini dirilis di bawah lisensi MIT. 
## Kontak Jika memiliki pertanyaan atau feedback, silakan hubungi saya: Komang Nitay Prasaddas Email: nitay06@students.amikom.ac.id
