Pembangkitan Aturan Pengenalan Emosi Pada Twitter Menggunakan Metode Fuzzy-C Means
Vol. 2, No. 10, Oktober 2018, hlm. 3258-3264 http://j-ptiik.ub.ac.id
Pembangkitan Aturan Pengenalan Emosi Pada Twitter Menggunakan
Metode Fuzzy-C Means
1 2 3 Farid Rahmat Hartono , Yuita Arum Sari , Putra Pandu AdikaraProgram Studi Teknik Informatika, Fakultas Ilmu Komputer, Universitas Brawijaya
1
2
3 Email: faridrahmat007@gmail.com, yuita@ub.ac.id, adikara.putra@ub.ac.id
Abstrak
Di era digital saat ini, pengguna media sosial berkembang semakin pesat dan semakin banyak aplikasi media sosial. Salah satu media sosial yang banyak digunakan saat ini adalah Twitter, dengan pengguna mencapai lebih dari ratusan juta orang di dunia. Twitter merupakan aplikasi mobile maupun dekstop dimana pengguna dapat membuat suatu tulisan yang dapat mencerminkan emosinya melalui sebuah status berupa teks singkat dengan maksimal sebayak 280 karakter. Dengan banyaknya pengguna aktif hingga saat ini maka pada setiap sebuah status yang dibuat oleh pengguna Twitter dapat mencerminkan emosinya. Dibutuhkan seorang pesikolog untuk melihat suatu emosi dari status orang di media sosial dikarenakan belum adanya sistem otomatis untuk menentukan emosi seseorang melalui statusnya di Twitter. Sistem dalam penelitian ini dibuat dengan menggunakan metode Fuzzy C-Means (FCM). Metode FCM dapat digunakan untuk membangkitkan aturan-aturan yang dapat menggantikan peran dari seorang psikolog untuk menentukan emosi seseorang dari suatu status yang dia buat di media sosial Twitter. Metode Term Frequency & Index Document Frequency (TF-IDF) pada text mining digunakan untuk mengolah data tekstual menjadi data numerik agar mampu diolah oleh FCM. Berdasarkan hasil pengujian, sistem ini menghasilkan akurasi tertinggin sebesar 70% sehingga dapat disimpulkan bahwa metode FCM bisa digunakan dalam pembentukan aturan penentuan emosi seseorang dari suatu status pada media sosial Twitter.
Kata kunci : Twitter, pembangkitan aturan, Fuzzy C-Means
Abstract
In this digital era, social media users are growing more rapidly and more mediasocial applications.
One of the most widely used social media today is Twitter, with users reaching over hundreds of millions
of people in the world. Twitter is a mobile or desktop application where users can create an article that
can reflect their emotions through a short text form status with a maximum of 280 characters. With so
many active users up to now then on every status created by Twitter users can reflect their emotions. It
takes a pesikolog to see an emotion from the status of people in social media because there is no
automatic system to determine one's emotions through its status on Twitter. The system in this research
is made using Fuzzy C-Means (FCM) method. The FCM method can be used to generate rules that can
replace the role of a psychologist to determine a person's emotions from a status he or she creates on
Twitter's social media. The Term Frequency & Index Document Frequency (TF-IDF) method in text
mining is used to process textual data into numerical data to be able to be processed by FCM. Based on
the test results, this system produces an highest accuracy of 70% so it can be concluded that the FCM
method is can be used in the formation of a person's emotional determination of a status on social media
Twitter.Keywords : Twitter, rule generation, Fuzzy C-Means
memakai teknologi web yang mengubah suatu 1.
PENDAHULUAN data komunikasi menjadi sebuah percakapan
antar pengguna media sosial tersebut. Banyak Media sosial adalah media yang mendukung media soial yang populer saat ini diantaranya terjadinya interaksi sosial antar manusia dengan Twitter, Facebook, Path dan lain sebagainya. menggunakan koneksi internet. Media sosial
Definisi media sosial sendiri menurut Antony
Fakultas Ilmu Komputer Universitas Brawijaya
3258
Mayfield adalah media yang dapat memudahkan pengguna untuk berpartisipasi di dalamnya, seperti berbagi dan membuat pesan seperti aplikasi messaging. Media sosial memiliki fungsi utama yakni untuk memperluas interaksi sosial manusia menggunakan internet (Mayfield, 2008).
2. TINJAUAN PUSTAKA
2.4. Pembobotan TF-IDF Term Frequency (TF) adalah frekuensi dari
Pra-Pemrosesan dilakukan untuk mengubah data dari dokumen yang semula berjenis tekstual menjadi numerik. Pada proses ini juga dilakukan pembagian jenis emosi yang ada pada dokumen dan jenis emosi akan dibagi menjadi lima emosi yakni senang, sedih, marah, cinta dan takut. Setelah dibagi ke jenis emosinya masing-masing maka selanjutnya dilakukan proses pembobotan menggunakan TF-IDF.
2.3. Pra-Pemrosesan
berhubungan dengan mengolah suatu dokumen yang berisi kata atau huruf untuk diurutkan atau hal lainnya. Text mining atau permrosesan teks pertama kali muncul pada pertengahan tahun 1980 dan pemrosesan teks masih dalam dalam satu lingkup dengan data mining, sistem temu kembali, statistik dan bahasa komputer. Terdapat beberapa proses-proses dalam melakukan pemrosesan teks yakni case folding, tokenisasi, filtering , dan stemming (Agusta, 2009).
2.2. Text Mining Text mining merupakan suatu metode yang
Twitter merupakan media sosial berlogo burung biru yang pertama kali diperkenalakan oleh pendirinya yakni Jack Dorsey pada tahun 2006. Twitter mengalami pertumbuhan signifikan pada tahun 2013 dimana penggguna Twitter meningkat drastis sehingga menjadi populer dan menyebar cepat di seluruh dunia tak terkecuali di indonesia. Perbedaan mencolok Twitter dengan media sosial yang lain adalah Twitter merupakan media sosial yang unik karena memiliki perbedaan mencolok dari media sosial lain yakni maksimal karakter pada Twitter dibatasi hanya 280 karakter sehingga saat seseorang membuat status maka disebut tweet atau kicauan (Twitter, 2017).
2.1. Twitter
.
Twitter merupakan media sosial yang populer di Indonesia sejak awal diperkenalkan dengan jumlah pengguna menurut data PT Bakrie Telecom mencapai 19,5 juta pengguna aktif pada tahun 2013. Indonesia pada tahun 2017 menjadi negara ke-5 pengguna Twitter di dunia dengan jumlah yang tidak disebutkan dengan pengguna global mencapai 328 juta. Twitter merupakan media sosisal yang unik karena memiliki perbedaan mencolok dari media sosial lain yakni maksimal karakter pada Twitter dibatasi hanya 280 karakter sehingga saat seseorang meng-update status yang disebut tweet atau kicauan (Twitter, 2017).
metode K-means yang menggunakan derajat keanggotaan untuk menentukan klasternya
C-Means (FCM). FCM merupakan adaptasi
Berdasarkan latar belakang tersebut dengan memanfaatkan metode yang dapat membantu untuk membuat sistem yang dapat menentukan emosi seseorang pada kicauan di Twitter adalah metode fuzzy. Metode fuzzy merupakan metode yang melakukan penalaran menggunakan nilai kekaburan atau kesamaran. Dengan beberapa algoritme tertentu dan didukung dengan data serta pakar yang layak maka dapat dibangkitkan aturan. Salah satu metode yang dapat mengekstraksi aturan fuzzy adalah Metode Fuzzy
Dengan banyaknya pengguna maka tak jarang media sosial digunakan sebagai tempat untuk mencurahkan hati dan keadaan emosi seseorang terkadang sulit ditebak karena biasanya hanya berisi tag(#) dan emoticon serta isi kicauan atau tweet yang singkat sehingga dibutuhkan sistem yang dapat melakukan pengenalan emosi pada Twitter dengan berdasarkan dari kicauan atau tweet pengguna.
akurasi sebesar 92,86% (Demircan & Kahramanli, 2016). Pada tahun 2012 dilakukan sebuah penelitian untuk mengetahui apakah 140 karakter pada pengguna Twitter mengambarkan emosi dari seseorang tersebut. Penelitian ini dilakukan di Singapura dengan jumlah sampel sebanyak 142 orang yang mengisi kuisioner dan hasil penelitian hanya menghasilkan 2 jenis emosi yang dapat dideteksi oleh sistem yaitu keramahan dan neurotisisme (Qiu, 2012).
Fuzzy C-Means yang digabung dengan metode suport vector machine (SVM) dan menghasilkan
Pada tahun 2016 sebuah penelitian tentang klasifikasi emosi dilakukan oleh dua mahasiswa Turki dari Selcuk University yakni Demircan & Kahramanli. Penelitian tersebut menggunakan
kemunculan sebuah term dalam dokumen yang bersangkutan. Semakin besar jumlah kemunculan suatu term (TF tinggi) dalam dokumen, semakin besar pula bobotnya atau akan memberikan nilai kesesuaian yang semakin
= Pusat cluster
5. Menghitung nilai fungsi obyektif pada setiap iterasi ke-t (Pt) sesuai dengan Persamaan 6.
∑ (( )∗( ) =1
∑ ( ) =1
(5) Keterangan Persamaan 5
besar. Berikut ini adalah persamaan untuk menghitung bobot TF yang dapat dilihat pada Persamaan 1.
=
Matriks keanggotaan
=
Matriks input
= ∑ ([∑ ( −
Menghitung nilai pusat cluster ke-k (V kj ) berdasarkan dengan menggunakan Persamaan 5. dengan k=1,2, …,c; dan j=1, 2, …, m.
=1 =1
( ) = log( | | ( )) (2)
dokumen yang bersangkutan. IDF menunjukkan hubungan ketersediaan sebuah term dalam seluruh dokumen. Semakin sedikit jumlah dokumen yang mengandung term yang dimaksud, maka nilai IDF semakin besar. untuk menghitung IDF menggunakan persamaan 2.
term didistribusikan secara luas pada koleksi
merupakan sebuah perhitungan dari bagaimana
Inverse Document Frequency (IDF)
(1)
( ) {1 + log( ( )) , 0 ( ) > 0
=
2.5. Algoritme Fuzzy C-Means
= (4) 4.
= Pusat cluster data ke i
= Pangkat 7. Memeriksa kondisi untuk iterasi dihentikan. apabila: (|Pt
= Matriks input
= Pusat cluster data ke i
= Matriks keanggotaan
(7) Keterangan Persamaan 2.7
2 ]−1( −1)
( − ) =1
2 ]−1( −1) ∑[∑
[∑ ( − ) =1
=
6. Perbaikan matiks U berdasarkan Persamaan 2.7.
Matriks input = Pangkat
= Matriks keanggotaan =
Keterangan Persamaan 6 = Fungsi Objektif setiap iterasi ke t
Selanjutnya menentukan derajat keanggotaan awal dengan memakai Persamaan 4.
]( ) ) (6)
2
)
Algoritme Fuzzy C-Means adalah sebagai berikut (Kusumadewi, 2010).
1. Input n data yang akan diclustering menjadi clusterX, berupa matriks berukuran n x m dengan n merupakan jumlah seluruh data dan m merupakan atribut dari data.
2. Penentuan awal fuzzy c-means: Jumlah dari cluster = c; Nilai pangkat = w; Maksimal iterasi yang diperbolehkan =
MaxIter ; Epsilon (errorI terkecil) = ξ;
Nilai fungsi obyektif awal: P0 = 0; Nilai Iterasi awal: t = 1; 3. Membangkitkan angka random berupa matriks µik berdimensi c x n. selanjutnya menghitung jumlah setiap kolom dengan Persamaan 3.
= ∑
=1
(3) Keterangan Persamaan 2.3
- – Pt-1| < ξ) atau (t > MaxIter) maka iterasi berhenti. apabila tidak: t = t+1, ulangi langkah ke- 4. Keterangan Pt = Fungsi objektif iterasi saat ini Pt-1 = Fungsi objektif sebelumnya
= jumlah kolom tiap c
= Matriks angka random
3.
4. METODOLOGI PENGUJIAN DAN ANALISIS
Metodologi berisi tentang uraian dari Dalam penelitian ini dilakukan pengujian metodologi penelitian dan tahapan dalam dengan menggunakan data uji yang berupa penyelesaian sistem pembangkitan aturan untuk beberapa status orang pada aplikasi Twitter. pengenalan emosi pada Twitter menggunakan Data uji berjumlah 50 dan danta latih berjumlah metode Fuzzy C-Means. 500 data.
4.1. Pembangkitan Aturan Dari Data Latih Studi Kepustakaan
Untuk mendapatkan aturan dari data latih maka dilakukan proses seperti yang dijelaskan pada bagian dua yaitu proses text mining dan
Analisis
pembobotan TF-IDF untuk mengubah data
Kebutuhan
tekstual menjadi numerik. Peroses selajutnya dilakukan perhitungan FCM mulai dari proses
Pengumpulan Data
penentuan jumlah cluster hingga perhitunggan fungsi objektif sampai iterasi dihentikan.
Agar aturan dapat di ekstraksi. Dilakukan langkah-langkah setelah dilakukan proses
Perancangan Sistem clustering
yakni malkukan analisis varian untuk melihat kualitas cluster yang dihasilkan dan selanjutnua membentuk aturan dari pusat cluster
Implementasi
yang didapat yang disesuaikan berdasarkan atribut yang ada pada proses FCM. Pada penelitian ini digunakan data latih sebanyak N
Pengujian
yang menghasilkan aturan sebanyak lima sesuai dengan jumlah cluster yang dibuat. Contoh hasil aturan yang dihasilkan dapat dilihat pada Tabel 1.
Analisis
Tabel 1 Hasil Aturan yang Dihasilkan Cluster
Kesimpulan
Sistem yang dikembangkan pada penelitian ini adalah pembangkitan aturan dengan menggunakan metode Fuzzy C-Means. Metode
Fuzzy C-Means bergantung dari data yang akan
dimasukkan yang berupa matriks [i][j] yang berasal dari hasil pembobotan menggunakan TF-
IDF. Perancangan sistem yang dibuat dapat dilihat pada Gambar 1.
4.2. Pembentukan Fungsi Gauss
Fungsi Gauss digunakan untuk melakukan penghitunggan fuzzyfikasi data uji Untuk membuat fungsi Gauss, maka nilai dari standar deviasi dan pusat cluster harus diketahui. Langkah-langkah untuk membentuk fungsi Gauss adalah sebagai berikut.
1. Mengambil nilai pusat cluster dari Gambar 1 Diagram Perancangan proses FCM
2. Menghitung nilai dari standar deviasi tiap cluster
3. Membentuk fungsi Gauss sesuai jumlah atribut pada tiap cluster.
4.3. Perhitungan Koefisien Output
Perhitungan utnuk koefisien output akan dilakukan dengan menggunakan metode kuadrat terkecil (least square). Kudarat terkecil digunakan karena matriks yang digunakan tidak berbentuk persegi (square). Langkah-langkah untuk menghitung koefisien output adalah:
20 pengaruh e terhadap Iterasi percobaan
10
Pengujian ini bertujuan untukm melihat hasil dari proses defuzzyfikasi yang digunakan sebagai tahap ahir pengujian untuk dilihat kedekatannya terhadap nilai Z setiap aturan. kedekatan hasil defuzzyfikasi setiap data latih dengan Z setiap aturan akan menentukan aturan mana yang sesuai dengan data yang diuji.
4.4.3. Pengujian Kedekatan Defuzzyfikasi Dengan Z Aturan
Pada percobaan keempat nilai e = 0.000001 dan iterasi berhenti pada iterasi ke-15. Semakin banyak iterasi maka cluster yang dihasilkan akan semakin homogen dan tidak baik Sehingga dapat diketahui bahwa nilai e sangat berpengaruh terhadap hasil clustering yang akan dijalankan pada proses FCM.
Pada Gambar 2 hasil pengujian nilai epsilon (e) terhadap hasil clustering pada pengujian pertama nilai e = 0.001 dan iterasi pada proses FCM berhenti pada iterasi ke-3. Pada percobaan kedua nilai e = 0.0001 dan iterasi berhenti pada iterasi ke-7. Pada percobaan ketiga nilai e = 0.00001 dan iterasi berhenti pada iterasi ke-13 .
nilai varian cluster dimana nilai tersebut merupakan pedoman terhadap penilaian kualitas suatu cluster. Semakin kecil nilai varian cluster maka kualitas cluster yang dihasilkan akan semakin baik sehingga saat nilai varian cluster minimum didapat maka persebaran data latih pada proses clustering akan semakin bagus dan kluster tersebutlah yang akan dipakai sebagai pembentuk aturan.
epsilon juga berpengaruh terhadap hasil dari
Nilai epsilon sangat berpengaruh terhadap kualitas cluster yang dihailkan juga jumlah iterasi yang akan dilakukan. Hal ini dikarenakan nilai epsilon adalah reprsentasi dari target pendekatan nilai fungsi objektif yang merupakan salah satu syarat berhentinya iterasi. Nilai
4.4.2. Analisis Pengujian Pengaruh Epsilon Terhadap Iterasi
Gambar 2 Pengujian epsilon
Pada bagian ini merupakan pembahasan dari hasil pengujian data uji. Pengujian dilakukan sebanyak empat kali dan pada tiap penggujian memilki nilai epsilon/error yang berbeda-beda. Nilai epsilon akan berpengaruh terhadap banyaknya iterasi yang akan dijalankan.
3. Menghitung nilai Z pada tiap aturan berdasarkan persamaan U = k x Z.
2. Menghitung fire strenght dengan cara mengkalikan tiap derajat keanggotaan yang telah didapat tiap cluster.
1. Melakukan perhitungan derajat keanggotaan melalui proses fuzzyfikasi berdasarkan fungsi keanggottan Gauss.
Pada pengujian digunakan data uji berjumlah N untuk menguji akurasi dari aturan yang dihasilkan sistem. Pengujian akan menunjukkan emosi yang ada pada tiap data uji dan juga dicocokkan dengan kedekatan aturan yang sesuai. Langkah-langkah pengujian adalah sebagai berikut.
4.4. Pengujian Aturan Dengan Data Uji
x Ut dan terakhir dikalikan dengan matriks Y yang merupakan target output dari data laih.
Malkukan operasi matriks yakni U transpose (Ut), U x Ut menghasilkan (Uxt), Uxt invers, Uxt
2. Membentuk matrik U berdasarkan matriks Dk ij yang dirubah dimensinya.
1. Membentuk matriks Dk ij ternormalisasi dari matriks input dikali derajat keanggotaan.
4. Melakukan proses Defuzzyfikasi.
4.4.1. Pengujian Pengaruh Epsilon pada Iterasi
Pada pengujian ini digunakan 50 jumlah
Akurasi
data latih yang menghasilkan 50 nilai defuzzyfikasi dan juga Z sebanyak 50 dengan
80
nilai Zsenang,Zsedih,Zmarah,Zcinta dan Ztakut
60
40
pada tiap Z. pengujian kedektan Z dilakukan saat
20
hasil aturan FCM memiliki nilai varian cluster minimum yakni dengan nilai epsilon sebesar 0.00001 pada proses pelatihan data dan pembentukan aturan dari proses clustering.
Kedekatan Zd dengan Akurasi Z tiap Aturan
Gambar 4 Pengujian Akurasi
20
4.4.6. Analisis Pengujian Akurasi
10 Pada Gambar 4 dapat dilihat hasil pegujian
akurasi data uji terhadap aturan yang tealh
senang sedih marah cinta takut
dihasilkan dari proses FCM. Dilakukan percobaan sebanyak empat kali dengan nilai
Z tiap Aturan epsilon yang telah dijelaskan pada Gambar 2.
Gambar 3 Kedekatan Data Uji Terhadap Z hasil akurasi pada percobaan petama menghasilkan akurasi sebesar 35%. Pada
4.4.4. Analisis Pengujian Kedekatan
percobaan kedua hasil akurasi yang didapatkan
Defuzzyfikasi Dengan Z Aturan
sebesar 40%. Pada percobaan ketiga hasil Kedekatan nilai defuzzyfikasi setiap data uji akurasi yang didapatkan sebesar 70% dan pada dengan Z aturan dapat emnunjukkan hasil dari percobaan keempat hasil akurasi yang didapat emosi yang terdapat pada setiap dokumen uji. adalah 50%. Hal ini dapat dilakukan karena nilai deffuzyfikasi didapat dari proses fuzzyfikasi
5. KESIMPULAN
terlebih dahulu yang menggunakan fungsi Gauss Dari hasil perancangan, implementasi, dengan variabel yang bersesuaian. Fungsi Gauss pengujian dan analisis pada penelitian didapat dari nilai standar deviasi dan nilai pusat pembangkitan aturan pengenalan emosi pada cluster yang terdapat pada proses clustering.
Twitter menggunakan metode Fuzzy C-Means Pada Gambar 3 dapat dilihat hasil kedekatan maka dapat diambil simpulan sebagai berikut. nilai defuzzyfikasi setiap data uji terhadap nilai
Fuzzy C-Means
1. dapat Metode
Z setiap aturan dengan jumlah data 50 diimplementasikan pada pembangkitan menunjukkan emosi cinta dengan nilai aturan pengenalan emosi pada Twitter. kedekatan paling banyak dengan jumlah 16. Dari
Data Twitter didapat langsung dari hasil tersebut dapat dilakukan sebuah pengujian akurasi dengan menggunakan confusion matrix. aplikasi Twitter. Pra-pemrosesan yang dipakai adalah tokenesasi, filtering,
4.4.5. Pengujian Akurasi stemming, dan metode TF-IDF pada text
Nilai akurasi dihitung menggunakan
mining
. Penggunaan metode fuzzy C-
confusion matrix dengan skala multi-class means untuk melakukan clustering
karena terdiri dari lima jenis emosi. Convension tergolong bagus dikarenakan persebaran matrix menggunakan perbandingan dari hasil kedekatan defuzzyfikasi setiap data uji dengan Z data yang merata yang hampir sesuai aturan dengan nilai emosi sebenarnya yang telah dengan data aktual dengan catatan nilai ditentukan pada tiap dokumen uji. Dengan varian cluster sudah yang terbaik. melakukan empat kali percobaan pada aturan
Metode stemming Nazief & Adriani yang berbeda didapatkan hasil akurasi terbesar untuk teks bahasa indonesia pada percobaan ke tiga yakni sebesar 70%. menghasilkan hasil stemming yang kurang baik sehingga terdapat beberapa
term yang masih belum sesuai dengan Qiu, L., Lin, H., Ramsay, J & Yang, F., 2012.
You Are What You Tweet: Personality kata dasar yang diharapkan. Expression and Perception on Twitter, 2. Algoritme Fuzzy C-Means untuk
Journal of Research in Personality: pembangkitan aturan pengenalan emosi Singapore. pada Twitter menghasilkan akurasi tertinggi sebesar 70% dengan
Sari, Y., & Ridok, A., 2012, Penentuan Lirik menggunakan jumlah data latih sebesar Lagu Berdasarkan Emosi Menggunakan 500 dan jumlah data uji sebesar 50 data Sistem Temu Kembali Informasi Dengan dengan nilai epsilon sebesar 0.00001. Metode Latent Semantic Indexing. Pada akurasi tertinggi dari 50 jumlah Malang: Universitas Brawijaya. data uji didapatkan emosi terbanyak
Twitter., 2017, About Twitter. Tersedia di: adalah emosi dengan kategori cinta, hal <https://about.twitter.com/> [diakses ini disebabkan banyaknya kata-kata pada 17 juli 2017]. yamg mengandung emosi cinta baik pada data latih maupun data uji. Dari hal tersebut maka dapat diketahui bahwa semakin banyak term atau kata yang mengandung unsur emosi tertentu maka emosi tersebut akan cenderung dominan pada tiap pengujian dari aturan yang dihasilkan.
6. SARAN
Untuk meningkatkan hasil yang didapat dari penelitian ini, diharapkan pada penelitian selanjutnya dapat melakukan beberapa perbaikan sebagai berikut:
1. Diharapkan pada penelitian selanjutnya untuk mengoptimasi fitur atau stemming menggunakan metode lain agar hasil akurasi yang didapat lebih maksimal.
2. Diharapkan pada perhitungan least square dilakukan dengan metode lain agar dapat dilakukan proses yang lebih benar supaya hasil lebih baik.
7. DAFTAR PUSTAKA
Agusta, L. 2009, Perbandingan Algoritma Stemming Porter Dengan Algoritma Nazief & Adriani Untuk Stemming Dokumen Teks Bahasa Indonesia, KNS: Bali.
Antony, Mayfield. 2008, What Is Social Media?, London: ICrossing. Demircan, S & Kahramanli, H. 2016,
Application of Fuzzy C-Means Clustering Algorithm to Spectral Features for Emotion Classification From Speech, Turki: Selcuk University.
Kusumadewi, Sri & Purnomo, Hari. 2010, Aplikasi Logika Fuzzy, Cetakan Pertama, Garaham Ilmu, Yogyakarta.