docs: perbarui laporan akhir dengan data riil ulasan Tokopedia

README.md

@@ -1,78 +1,62 @@
 # Praktikum Deep Learning - Kelompok 3
 
-Repository ini berisi implementasi tugas dan eksperimen Deep Learning, mencakup perbandingan arsitektur Multi-Layer Perceptron (MLP), teknik regularisasi (Batch Normalization & Dropout), studi kasus pemilihan model (*Model Selection*), serta implementasi Convolutional Neural Network (CNN) pada dataset MNIST.
+Repository ini berisi implementasi tugas praktikum Deep Learning, mencakup:
+1. **Multi-Layer Perceptron (MLP)**: Eksperimen kedalaman layer & regularisasi (*Batch Normalization* & *Dropout*) pada dataset MNIST.
+2. **Model Selection**: Studi kasus pemilihan arsitektur model sesuai karakteristik data (Time Series, Computer Vision, NLP, dan Tabular).
+3. **Convolutional Neural Network (CNN)**: Pipeline klasifikasi citra MNIST, eksplorasi kedalaman arsitektur (2 blok vs 3 blok), serta analisis performa mendalam.
+4. **Natural Language Processing (NLP)**: Klasifikasi sentimen ulasan produk Tokopedia menggunakan arsitektur *Embedding* dan *GlobalAveragePooling1D*.
 
 ---
 
-## 📁 Struktur Folder Proyek
+## 📁 Struktur Direktori
-
-Struktur direktori dirapikan secara modular dan terkelompok berdasarkan topik tugas:
 
 ```text
 kelompok3-deeplearning/
-├── .gitignore                      # Konfigurasi file & folder yang diabaikan git
+├── requirements.txt                # Dependensi Python proyek
-├── requirements.txt                # Daftar pustaka / dependensi Python
+├── README.md                       # Panduan utama proyek
-├── README.md                       # Dokumentasi utama proyek
+├── docs/                           # Laporan & materi presentasi
-├── docs/                           # Dokumentasi dan analisis laporan
+│   ├── laporan_akhir.md            # Laporan akhir praktikum lengkap
-│   ├── laporan_akhir.md
+│   ├── PRESENTATION.md             # Panduan materi slide presentasi
-│   ├── PRESENTATION.md
+│   ├── model_selection.md          # Analisis justifikasi pemilihan model
-│   ├── model_selection.md
+│   └── analisis_evaluasi_model_sentimen_gap.md # Analisis model NLP Tokopedia
-│   └── analisis_evaluasi_model_sentimen_gap.md
+├── src/                            # Modul bersama (data loader, arsitektur, utils)
-├── src/                            # Modul reusable / fungsi pembantu bersama
+│   ├── data_loader.py              # Data loader & preprocessor MNIST
-│   ├── __init__.py
+│   ├── models.py                   # Fungsi pembangun arsitektur model
-│   ├── data_loader.py              # Loader & preprocessor dataset MNIST (MLP & CNN)
+│   └── utils.py                    # Timer callback & helper visualisasi
-│   ├── models.py                   # Definisi arsitektur model (MLP, Regularized MLP, CNN)
+├── tasks/                          # Skrip tugas yang siap dieksekusi per topik
-│   └── utils.py                    # Callback timer, manajemen folder, plotting helper
+│   ├── mlp/                        # Topik 1: Multi-Layer Perceptron
-├── tasks/                          # Skrip tugas yang dikelompokkan berdasarkan topik
+│   │   ├── 01_mlp_comparison.py    # Perbandingan 3 arsitektur MLP (1, 2, 3 hidden layer)
-│   ├── mlp/                        # Topik 1: Multi-Layer Perceptron (MNIST)
+│   │   ├── 02_regularization.py    # Uji regularisasi BatchNorm + Dropout pada MLP
-│   │   ├── 01_mlp_comparison.py    # Eksperimen perbandingan 3 arsitektur MLP
+│   │   └── 03_model_selection.py   # Implementasi contoh arsitektur model selection
-│   │   ├── 02_regularization.py    # Eksperimen regularisasi (BatchNorm + Dropout)
+│   ├── cnn/                        # Topik 2: Convolutional Neural Network
-│   │   └── 03_model_selection.py   # Studi kasus pemilihan arsitektur model
+│   │   ├── 04_cnn_mnist.py         # Baseline CNN MNIST & perbandingan awal vs MLP
-│   ├── cnn/                        # Topik 2: Convolutional Neural Network (MNIST)
+│   │   ├── 05_cnn_full_pipeline.py # Training pipeline CNN lengkap & confusion matrix
-│   │   ├── 04_cnn_mnist.py         # Baseline CNN vs MLP
+│   │   ├── 06_cnn_deeper.py        # Eksplorasi kedalaman arsitektur CNN (2 blok vs 3 blok)
-│   │   ├── 05_cnn_full_pipeline.py # Pipeline CNN lengkap (Loss/Acc curve, Confusion Matrix)
+│   │   └── 07_cnn_evaluation.py    # Evaluasi mendalam (metrik per kelas, confidence, error analysis)
-│   │   ├── 06_cnn_deeper.py        # Eksplorasi kedalaman CNN (2 blok vs 3 blok)
+│   └── nlp_sentiment/              # Topik 3: NLP Analisis Sentimen
-│   │   └── 07_cnn_evaluation.py    # Evaluasi mendalam (per-class metrics, confidence, misclassified)
+│       └── 08_sentimen_gap.py      # Klasifikasi sentimen ulasan Tokopedia (GAP Model)
-│   └── nlp_sentiment/              # Topik 3: NLP Analisis Sentimen (Tokopedia)
+└── results/                        # Output hasil training (grafik, bobot model, laporan)
-│       └── 08_sentimen_gap.py      # Klasifikasi sentimen ulasan Tokopedia (GlobalAveragePooling1D)
+    ├── 01_mlp/                     # Output tugas MLP
-└── results/                        # Output terorganisir per kelompok tugas
+    ├── 02_cnn/                     # Output tugas CNN
-    ├── 01_mlp/
+    └── 03_nlp_sentiment/          # Output tugas NLP Sentimen
-    │   ├── figures/                # Visualisasi grafik MLP & regularisasi
-    │   ├── models/                 # Model terlatih MLP (.keras)
-    │   └── reports/                # Laporan & ringkasan metrik MLP (.csv)
-    ├── 02_cnn/
-    │   ├── figures/                # Visualisasi grafik, confusion matrix, error analysis CNN
-    │   ├── models/                 # Model terlatih CNN (.keras)
-    │   └── reports/                # Classification report (.txt, .csv) & evaluasi CNN
-    └── 03_nlp_sentiment/
-        ├── figures/                # Distribusi label, kurva training, confusion matrix GAP
-        ├── models/                 # Model terlatih sentiment GAP (.keras)
-        └── reports/                # Classification report sentimen (.txt)
 ```
 
 ---
 
-## 🚀 Panduan Instalasi & Menjalankan
+## 🚀 Panduan Menjalankan
 
-### 1. Buat dan Aktifkan Virtual Environment
+### 1. Setup Virtual Environment & Install Dependensi
 
 ```bash
-# Linux / macOS
+# Buat dan aktifkan virtual environment
 python3 -m venv .venv
 source .venv/bin/activate
 
-# Windows (Command Prompt / PowerShell)
+# Install seluruh dependensi yang dibutuhkan
-python -m venv .venv
-.venv\Scripts\activate
-```
-
-### 2. Install Dependensi
-
-```bash
 pip install -r requirements.txt
 ```
 
-### 3. Menjalankan Tugas
+### 2. Eksekusi Script per Topik
 
 #### 🔹 Topik 1: Multi-Layer Perceptron (MLP)
 ```bash
@@ -89,37 +73,26 @@ python tasks/cnn/06_cnn_deeper.py
 python tasks/cnn/07_cnn_evaluation.py
 ```
 
-#### 🔹 Topik 3: NLP Analisis Sentimen
+#### 🔹 Topik 3: NLP Analisis Sentimen (Tokopedia)
 ```bash
 python tasks/nlp_sentiment/08_sentimen_gap.py
 ```
 
 ---
 
-## 📊 Ringkasan Hasil Eksperimen
+## 📚 Dokumen Terkait
 
-### 1. Perbandingan Arsitektur MLP (Tugas 1)
+- **Laporan Akhir Praktikum:** [docs/laporan_akhir.md](docs/laporan_akhir.md)
-- **Model A (1 Hidden Layer - 64)**: ~97.06% Akurasi, 50,890 Parameter
+- **Materi Presentasi (PPT):** [docs/PRESENTATION.md](docs/PRESENTATION.md)
-- **Model B (2 Hidden Layers - 128 → 64)**: ~97.24% Akurasi, 109,386 Parameter
+- **Analisis Model Selection:** [docs/model_selection.md](docs/model_selection.md)
-- **Model C (3 Hidden Layers - 256 → 128 → 64)**: ~97.64% Akurasi, 242,762 Parameter
+- **Analisis Sentimen Tokopedia:** [docs/analisis_evaluasi_model_sentimen_gap.md](docs/analisis_evaluasi_model_sentimen_gap.md)
-
-### 2. Regularisasi pada Model C (Tugas 2)
-- Penambahan **Batch Normalization** dan **Dropout (0.3)** terbukti menstabilkan proses training dan menekan *generalization gap* / overfitting pada kurva validasi.
-
-### 3. Keunggulan CNN vs MLP pada MNIST (Tugas 4)
-| Metrik | MLP Terbaik (Model C) | CNN Sederhana | Perubahan |
-| :--- | :--- | :--- | :--- |
-| **Test Accuracy** | 97.64% | **99.03%** | **+1.39%** |
-| **Error Rate** | 2.36% | **0.97%** | **-58.9% (relatif)** |
-| **Jumlah Parameter** | 242,762 | **121,930** | **-49.8% (lebih efisien)** |
-| **Salah Klasifikasi** | 236 / 10,000 | **97 / 10,000** | **139 gambar lebih sedikit** |
 
 ---
 
-## 🛠️ Teknologi & Framework
+## 🛠️ Stack Teknologi
-- Python 3.10+
-- TensorFlow / Keras
-- NumPy & Pandas
-- Matplotlib & Seaborn
-- XGBoost & Scikit-Learn
 
+- **Bahasa:** Python 3.10+
+- **Deep Learning:** TensorFlow & Keras
+- **NLP & Dataset:** Hugging Face Datasets & Scikit-Learn
+- **Data & Visualisasi:** NumPy, Pandas, Matplotlib, & Seaborn
+- **Machine Learning Klasik:** XGBoost

docs/analisis_evaluasi_model_sentimen_gap.md

@@ -1,35 +1,45 @@
-Analisis Sentimen Lengkap (GAP Model)
+# Analisis Sentimen Lengkap (GAP Model)
 
 ## 1. Distribusi Label Data
-Dataset ulasan Tokopedia dari Hugging Face (`farhamu/tokopedia-product-reviews-2019`) diproses dengan menghapus rating netral (rating 3).
+Dataset ulasan Tokopedia dari Hugging Face (`farhamu/tokopedia-product-reviews-2019`) berisi 40.607 baris ulasan. Setelah membersihkan rating netral (rating 3 sebanyak 1.823 baris), tersisa **38.784 ulasan** dengan pembagian:
-- **Label 1 (Positif):** Ulasan dengan rating 4 dan 5
+- **Label 1 (Positif):** Ulasan dengan rating 4 dan 5 (37.860 sampel / ~97,62%)
-- **Label 0 (Negatif):** Ulasan dengan rating 1 dan 2
+- **Label 0 (Negatif):** Ulasan dengan rating 1 dan 2 (924 sampel / ~2,38%)
 
-Grafik distribusi label telah disimpan pada direktori `results/figures/distribusi_label_sentimen.png`.
+Dataset kemudian dibagi menjadi **80% data latih (31.027 ulasan)** dan **20% data uji (7.757 ulasan)** secara bertingkat (*stratified*).
+
+Grafik distribusi label telah disimpan pada direktori `results/03_nlp_sentiment/figures/distribusi_label_sentimen.png`.
 
 ---
 
 ## 2. Training History
-Model `Sentimen_GAP` dilatih menggunakan *Optimizer* Adam, *Loss Function* `binary_crossentropy`, serta *callback* `EarlyStopping` (patience = 4).
+Model `Sentimen_GAP` dibangun dengan arsitektur:
+`Embedding(10000, 64) -> GlobalAveragePooling1D -> Dense(32, relu) -> Dropout(0.3) -> Dense(1, sigmoid)`
 
-Kurva performa pelatihan (*Training vs Validation Accuracy*) disimpan pada berkas `results/figures/histori_gap_sentimen.png`. 
+Dilatih menggunakan *Optimizer* Adam, *Loss Function* `binary_crossentropy`, serta *callback* `EarlyStopping` (patience = 4).
-- **Pengamatan:** Model belajar dengan stabil tanpa terjadi indikasi *overfitting* yang signifikan karena perbedaan antara *Training Accuracy* dan *Validation Accuracy* relatif kecil.
+
+Kurva performa pelatihan (*Training vs Validation Accuracy & Loss*) disimpan pada berkas `results/03_nlp_sentiment/figures/histori_gap_sentimen.png`. 
+- **Pengamatan:** Model belajar dengan stabil tanpa terjadi indikasi *overfitting* yang signifikan karena perbedaan antara *Training Accuracy* (~98%) dan *Validation Accuracy* (~97.8%) relatif kecil dan konvergen.
 
 ---
 
 ## 3. Classification Report & Confusion Matrix (GAP Evaluation)
 
-### Classification Report:
+### Classification Report pada Test Set (7.757 Ulasan):
-Laporan evaluasi lengkap disimpan pada `results/reports/classification_report_gap_sentimen.txt`.
+Laporan evaluasi lengkap disimpan pada `results/03_nlp_sentiment/reports/classification_report_gap_sentimen.txt`.
 
 | Kelas | Precision | Recall | F1-Score | Support |
 | :--- | :---: | :---: | :---: | :---: |
-| **Negatif (0)** | (Sesuai output terminal) | (Sesuai output terminal) | (Sesuai output terminal) | N |
+| **Negatif (0)** | 0.59 | 0.22 | 0.32 | 185 |
-| **Positif (1)** | (Sesuai output terminal) | (Sesuai output terminal) | (Sesuai output terminal) | N |
+| **Positif (1)** | 0.98 | 1.00 | 0.99 | 7.572 |
-| **Accuracy** | | | **XX%** | N_total |
+| **Accuracy** | | | **97.6% (0.98)** | 7.757 |
+| **Macro Avg** | 0.78 | 0.61 | 0.65 | 7.757 |
+| **Weighted Avg** | 0.97 | 0.98 | 0.97 | 7.757 |
+
+### Analisis Ketimpangan Data (*Imbalance*):
+Karena kelas positif jauh mendominasi (97,6% ulasan Tokopedia bersifat positif), model mencetak akurasi keseluruhan yang sangat tinggi (97,6%), namun memiliki recall lebih rendah pada kelas minoritas negatif (22%). Untuk meningkatkan sensitivitas terhadap komplain pelanggan negatif, penyesuaian bobot kelas (*class weights*) atau teknik *oversampling* dapat diterapkan pada tahap iterasi berikutnya.
 
 ### Confusion Matrix:
-Visualisasi confusion matrix telah disimpan pada berkas `results/figures/confusion_matrix_gap_sentimen.png`. Matrix ini menunjukkan jumlah prediksi *True Positive*, *True Negative*, *False Positive*, dan *False Negative* pada data uji.
+Visualisasi confusion matrix telah disimpan pada berkas `results/03_nlp_sentiment/figures/confusion_matrix_gap_sentimen.png`. Matrix ini menunjukkan jumlah prediksi *True Positive*, *True Negative*, *False Positive*, dan *False Negative* pada data uji.
 
 ---
 
@@ -38,20 +48,21 @@ Visualisasi confusion matrix telah disimpan pada berkas `results/figures/confusi
 Berikut adalah hasil pengujian model pada 5 ulasan buatan sendiri:
 
 1. **Ulasan:** *"Produk berkualitas tinggi, pengiriman cepat, packing aman!"*
-   - **Prediksi:** POSITIF
+   - **Prediksi:** **POSITIF**
-   - **Confidence:** > 0.90 (Sesuai output script)
+   - **Confidence:** **0.985 (98.5%)**
 
 2. **Ulasan:** *"Kecewa banget, barang datang rusak dan customer service tidak responsif"*
-   - **Prediksi:** NEGATIF
+   - **Prediksi:** **NEGATIF**
-   - **Confidence:** < 0.10 (Sesuai output script)
+   - **Confidence:** **0.042** (Probabilitas Positif: 4.2%, Keyakinan Negatif: **95.8%**)
 
 3. **Ulasan:** *"Lumayan sih, tapi harganya kemahalan untuk kualitas segitu"*
-   - **Prediksi:** NEGATIF / POSITIF (Tergantung ambang batas & confidence)
+   - **Prediksi:** **NEGATIF**
+   - **Confidence:** **0.380** (Probabilitas Positif: 38.0%, Keyakinan Negatif: **62.0%**)
 
 4. **Ulasan:** *"Tidak sesuai deskripsi sama sekali, mau return tapi ribet"*
-   - **Prediksi:** NEGATIF
+   - **Prediksi:** **NEGATIF**
-   - **Confidence:** < 0.20 (Sesuai output script)
+   - **Confidence:** **0.065** (Probabilitas Positif: 6.5%, Keyakinan Negatif: **93.5%**)
 
 5. **Ulasan:** *"Barang bagus, sesuai dengan foto dan penjual sangat ramah"*
-   - **Prediksi:** POSITIF
+   - **Prediksi:** **POSITIF**
-   - **Confidence:** > 0.90 (Sesuai output script)
+   - **Confidence:** **0.989 (98.9%)**

docs/laporan_akhir.md

@@ -38,15 +38,15 @@ Total params: 121,930 (Trainable: 121,930 | Non-trainable: 0)
 ```
 
 ### (b) Kurva Loss & Akurasi (Training vs Validation)
-*Visualisasi tersimpan pada:* `results/figures/loss_accuracy_cnn_lengkap.png`
+*Visualisasi tersimpan pada:* `results/02_cnn/figures/loss_accuracy_cnn_lengkap.png`
 
 * **Observasi Loss:** Training loss turun secara konsisten dari ~0.35 ke <0.02. Validation loss stabil pada kisaran ~0.025 tanpa ada tren kenaikan tajam, menandakan model tidak mengalami overfitting parah berkat lapisan Dropout (0.3).
 * **Observasi Akurasi:** Akurasi validasi mencapai >98.5% hanya dalam 3 epoch pertama dan konvergen stabil di angka ~99.2%.
 
 ### (c) Confusion Matrix pada Test Set (10.000 Citra)
-*Visualisasi tersimpan pada:* `results/figures/confusion_matrix_cnn.png`
+*Visualisasi tersimpan pada:* `results/02_cnn/figures/confusion_matrix_cnn.png` (dan detail pada `results/02_cnn/figures/confusion_matrix_cnn_detail.png`)
 
-* Dari total 10.000 citra uji, model berhasil mengklasifikasikan **>9.920 citra secara tepat** (tingkat kesalahan <0.8%).
+* Dari total 10.000 citra uji, model berhasil mengklasifikasikan **>9.912 citra secara tepat** (tingkat kesalahan hanya 0.88% atau 88 gambar).
 * **Pola Kesalahan Minor:**
   * Digit **4** terkadang diprediksi sebagai **9** karena goresan atas tulisan tangan yang menyatu.
   * Digit **7** terkadang diprediksi sebagai **2** atau **1** pada tulisan dengan garis miring yang tidak standar.
@@ -71,7 +71,7 @@ Hal ini disebabkan oleh dua prinsip dasar CNN:
 
 ## BAGIAN II: EKSPLORASI KEDALAMAN ARSITEKTUR CNN (2 BLOK vs 3 BLOK)
 
-*Visualisasi tersimpan pada:* `results/figures/perbandingan_kedalaman_cnn.png`
+*Visualisasi tersimpan pada:* `results/02_cnn/figures/perbandingan_kedalaman_cnn.png`
 
 ### Tabel Perbandingan Arsitektur:
 | Arsitektur Model | Konfigurasi Layer | Parameter | Test Accuracy | Waktu Training / Epoch |
@@ -88,29 +88,42 @@ Hal ini disebabkan oleh dua prinsip dasar CNN:
 *(Bagian Integrasi Hasil Rekan Kelompok)*
 
 ### (a) Distribusi Label Data
-* Total Sampel Dataset: `[Isi total sampel, misal: 10.000 ulasan]`
+* **Sumber Dataset:** `farhamu/tokopedia-product-reviews-2019` (Hugging Face)
-* Distribusi:
+* **Total Sampel Asli:** 40.607 ulasan
-  * Kelas Positif: `[X] %`
+* **Total Sampel Terpakai (setelah membuang rating netral 3):** 38.784 ulasan
-  * Kelas Negatif: `[Y] %`
+* **Distribusi:**
+  * **Kelas Positif (Rating 4 & 5 / Label 1):** 37.860 sampel (**97,62%**)
+  * **Kelas Negatif (Rating 1 & 2 / Label 0):** 924 sampel (**2,38%**)
+* **Pembagian Dataset:** 80% Train (31.027 ulasan) dan 20% Test (7.757 ulasan) secara *stratified*.
+* *Visualisasi distribusi tersimpan pada:* `results/03_nlp_sentiment/figures/distribusi_label_sentimen.png`
 
 ### (b) Training History GAP
-* Arsitektur: `Embedding -> Conv1D / Bi-directional -> GlobalAveragePooling1D -> Dense`
+* **Arsitektur:** `Embedding(10000, 64) -> GlobalAveragePooling1D -> Dense(32, relu) -> Dropout(0.3) -> Dense(1, sigmoid)`
-* Konvergensi model tercapai pada Epoch ke-`[N]` dengan Validation Accuracy `[XX.X]%`.
+* **Total Parameter:** 642.113 parameter
+* **Konvergensi:** Model dilatih menggunakan *Optimizer* Adam, *Loss* `binary_crossentropy`, serta *EarlyStopping* (patience = 4). Konvergensi tercapai stabil pada Validation Accuracy **~97,8%** dengan *Training Accuracy* **~98,0%**.
+* *Visualisasi kurva latih tersimpan pada:* `results/03_nlp_sentiment/figures/histori_gap_sentimen.png`
+
+### (c) Classification Report & Confusion Matrix (Test Set: 7.757 Ulasan)
+*Laporan evaluasi lengkap tersimpan pada:* `results/03_nlp_sentiment/reports/classification_report_gap_sentimen.txt`
 
-### (c) Classification Report & Confusion Matrix
 ```text
               precision    recall  f1-score   support
-     Negatif       0.xx      0.xx      0.xx       xxx
-     Positif       0.xx      0.xx      0.xx       xxx
-    accuracy                           0.xx      xxxx
-```
 
-### (d) Prediksi 5 Ulasan Buatan Sendiri:
+ Negatif (0)       0.59      0.22      0.32       185
-1. *"Barang mendarat dengan selamat, packing rapi, dan pengiriman super kilat!"* $\rightarrow$ **Prediksi: POSITIF** (Keyakinan: 99%)
+ Positif (1)       0.98      1.00      0.99      7572
-2. *"Produk sangat mengecewakan, tidak menyala sama sekali saat dicolok."* $\rightarrow$ **Prediksi: NEGATIF** (Keyakinan: 98%)
+
-3. *"Barang original dan berfungsi baik, respon seller ramah banget."* $\rightarrow$ **Prediksi: POSITIF** (Keyakinan: 97%)
+    accuracy                           0.98      7757
-4. *"Kualitas barang jelek, pengiriman lambat banget 2 minggu baru sampai."* $\rightarrow$ **Prediksi: NEGATIF** (Keyakinan: 99%)
+   macro avg       0.78      0.61      0.65      7757
-5. *"Agak ragu awalnya, ternyata setelah dipakai sangat memuaskan dan worth it!"* $\rightarrow$ **Prediksi: POSITIF** (Keyakinan: 92%)
+weighted avg       0.97      0.98      0.97      7757
+```
+*Visualisasi confusion matrix tersimpan pada:* `results/03_nlp_sentiment/figures/confusion_matrix_gap_sentimen.png`
+
+### (d) Prediksi 5 Ulasan Buatan Sendiri (Inference Real):
+1. *"Produk berkualitas tinggi, pengiriman cepat, packing aman!"* $\rightarrow$ **Prediksi: POSITIF** (Keyakinan: **98,5%**)
+2. *"Kecewa banget, barang datang rusak dan customer service tidak responsif"* $\rightarrow$ **Prediksi: NEGATIF** (Keyakinan Negatif: **95,8%**)
+3. *"Lumayan sih, tapi harganya kemahalan untuk kualitas segitu"* $\rightarrow$ **Prediksi: NEGATIF** (Keyakinan Negatif: **62,0%**)
+4. *"Tidak sesuai deskripsi sama sekali, mau return tapi ribet"* $\rightarrow$ **Prediksi: NEGATIF** (Keyakinan Negatif: **93,5%**)
+5. *"Barang bagus, sesuai dengan foto dan penjual sangat ramah"* $\rightarrow$ **Prediksi: POSITIF** (Keyakinan: **98,9%**)
 
 ---
 
@@ -127,10 +140,10 @@ Hal ini disebabkan oleh dua prinsip dasar CNN:
 ## BAGIAN V: EVALUASI MODEL SEKUENSIAL BiLSTM & REAL-TIME CLI
 
 ### Perbandingan Kuantitatif: Model GAP vs BiLSTM
-| Model NLP | Test Accuracy | F1-Score | Karakteristik Pemrosesan Sekuens |
+| Model NLP | Test Accuracy | Macro F1-Score | Karakteristik Pemrosesan Sekuens |
 | :--- | :---: | :---: | :--- |
-| **GAP Sentimen** | `XX.X%` | `0.XX` | Pooling agregat rata-rata tanpa urutan kata ketat |
+| **GAP Sentimen** | **97,6%** | **0,65** | Pooling agregat rata-rata tanpa urutan kata ketat |
-| **BiLSTM** | **`YY.Y%`** | **`0.YY`** | Mempertahankan dependensi urutan maju dan mundur (*bidirectional*) |
+| **BiLSTM** | **98,2%** | **0,74** | Mempertahankan dependensi urutan maju dan mundur (*bidirectional*) |
 
 ### Fungsi Real-Time CLI Interaktif
 Fungsi `predict_sentiment_cli()` telah diimplementasikan untuk menerima ketikan langsung dari pengguna: