Analisis sentimen data twitter menggunakan K-Means Clustering.

Gregorius Agung Purwanto Nugroho

ABSTRAK

Penelitian ini bertujuan untuk menciptakan sistem untuk mengenali emosi yang terkandung dalam kalimat tweet. Latar belakang penelitian ini yaitu maraknya penggunaan media sosial atau microblogging untuk mengutarakan opini tentang topik tertentu. Penelitian berkaitan opini publik dapat dijadikan sebagai dasar manajemen merk, corporate reputation, marketing, sistem rekomendasi, dan intelijen.

Penelitian ini menggunakan metode K-Means Clustering dengan masukan berupa teks. Penelitian mencakup tahap preprocessing, pembobotan, normalisasi, clustering, dan uji akurasi. Peprocessing meliputi tokenizing, remove stopword, dan stemming. Pembobotan menggunakan metode term frequency-inverse document frequency (tf-idf). Normalisasi menggunakan z-score dan min-max. Clustering menggunakan K-Means dengan penentuan centroid awal memakai Variance Initialization dan hitung kemiripan dengan Cosine Similarity. Pengujian akurasi memakai metode Confusion Matrix.

Percobaan dilakukan pada 1000 data yang dikelompokkan menjadi lima cluster yaitu cinta, marah, sedih, senang, dan takut. Akurasi tertinggi sebesar 76,3%. Hasil akurasi tertinggi didapat dengan metode normalisasi min-max, batas nilai yang dinormalisasi 5, dan minimal kemunculan kata 3.

Kata Kunci: Tweet, K-Means Clustering, Cluster, Centroid, Variance Initialization, Cosine Similarity, Confusion Matrix

Gregorius Agung Purwanto Nugroho

ABSTRACT

The objective of this research is to create system to recognize emotion of a tweet. This research is created to learn public opinion about a certain topic. The study about public opinion can be used as the key factor to determine brand management, corporate reputation, marketing, recommendation system, and intelligent.

The research uses the K-Means Clustering as the main algorithm and textual data as the input. The research includes the preprocessing, the weighting, the normalization, the clustering, and the accuration testing. The preprocessing includes the tokenizing, the stopword removal, and the stemming. The weighting uses the term frequency - inverse document frequency (tf-idf) method. The normalization uses the z-score and the min-max method. Clustering uses the K-Means Clustering with the Variance Initialization method to determine the initial centroids and the Cosine Similarity method to measure the similarities. The testing uses the Confusion Matrix.

The experiment has been applied to a data sets of 1000 tweets that divided into five clusters: cinta (love), marah (anger), sedih (sadness), senang (happiness), and takut (fear). The experiment obtained the highest accuration of 76.3% using the min-max normalization, the min-max threshold was 5, and the minimum word frequency was 3.

Keywords: Tweets, K-Means Clustering, Clusters, Centroids, Variance Initialization, Cosine Similarity, Confusion Matrix

i ANALISIS SENTIMEN DATA TWITTER

MENGGUNAKAN K-MEANS CLUSTERING

SKRIPSI

Diajukan Untuk Memenuhi Salah Satu Syarat Memperoleh Gelar Sarjana Komputer Program Studi Teknik Informatika

HALAMAN JUDUL

Oleh:

Gregorius Agung Purwanto Nugroho 115314065

PROGRAM STUDI TEKNIK INFORMATIKA JURUSAN TEKNIK INFORMATIKA FAKULTAS SAINS DAN TEKNOLOGI

UNIVERSITAS SANATA DHARMA YOGYAKARTA

ii SENTIMENT ANALYSIS OF TWITTER DATA

USING K-MEANS CLUSTERING

FINAL PROJECT

Presented as Partial Fulfillment of Requirements to Obtain Sarjana Komputer Degree in Informatics Engineering Department

TITLE PAGE

By:

Gregorius Agung Purwanto Nugroho 115314065

INFORMATICS ENGINEERING STUDY PROGRAM INFORMATICS ENGINEERING DEPARTMENT

FACULTY OF SCIENCE AND TECHNOLOGY SANATA DHARMA UNIVERSITY

YOGYAKARTA 2016

v

MOTTO

“Whatsoever one would understand what he hears must hasten to put into practice what he has heard.” - St. Gregory The Great

viii ABSTRAK

Penelitian ini bertujuan untuk menciptakan sistem untuk mengenali emosi yang terkandung dalam kalimat tweet. Latar belakang penelitian ini yaitu maraknya penggunaan media sosial atau microblogging untuk mengutarakan opini tentang topik tertentu. Penelitian berkaitan opini publik dapat dijadikan sebagai dasar manajemen merk, corporate reputation, marketing, sistem rekomendasi, dan intelijen.

Penelitian ini menggunakan metode K-Means Clustering dengan masukan berupa teks. Penelitian mencakup tahap preprocessing, pembobotan, normalisasi,

clustering, dan uji akurasi. Peprocessing meliputi tokenizing, remove stopword, dan stemming. Pembobotan menggunakan metode term frequency-inverse document frequency (tf-idf). Normalisasi menggunakan z-score dan min-max. Clustering

menggunakan K-Means dengan penentuan centroid awal memakai Variance

Initialization dan hitung kemiripan dengan Cosine Similarity. Pengujian akurasi

memakai metode Confusion Matrix.

Percobaan dilakukan pada 1000 data yang dikelompokkan menjadi lima

cluster yaitu cinta, marah, sedih, senang, dan takut. Akurasi tertinggi sebesar

76,3%. Hasil akurasi tertinggi didapat dengan metode normalisasi min-max, batas nilai yang dinormalisasi 5, dan minimal kemunculan kata 3.

Kata Kunci: Tweet, K-Means Clustering, Cluster, Centroid, Variance

ix ABSTRACT

The objective of this research is to create system to recognize emotion of a tweet. This research is created to learn public opinion about a certain topic. The study about public opinion can be used as the key factor to determine brand management, corporate reputation, marketing, recommendation system, and intelligent.

The research uses the K-Means Clustering as the main algorithm and textual data as the input. The research includes the preprocessing, the weighting, the normalization, the clustering, and the accuration testing. The preprocessing includes the tokenizing, the stopword removal, and the stemming. The weighting uses the term frequency - inverse document frequency (tf-idf) method. The normalization uses the z-score and the min-max method. Clustering uses the K-Means Clustering with the Variance Initialization method to determine the initial centroids and the Cosine Similarity method to measure the similarities. The testing uses the Confusion Matrix.

The experiment has been applied to a data sets of 1000 tweets that divided into five clusters: cinta (love), marah (anger), sedih (sadness), senang (happiness), and takut (fear). The experiment obtained the highest accuration of 76.3% using the min-max normalization, the min-max threshold was 5, and the minimum word frequency was 3.

Keywords: Tweets, K-Means Clustering, Clusters, Centroids, Variance Initialization, Cosine Similarity, Confusion Matrix

x KATA PENGANTAR

Puji dan syukur penulis panjatkan kepada Tuhan Yang Maha Esa, sehingga penulis dapat menyelesaikan tugas akhir dengan judul “Analisis Sentimen Data

Twitter Menggunakan K-Means Clustering”. Tugas akhir ini merupakan karya ilmiah untuk memperoleh gelar sarjana komputer program studi Teknik Informatika Universitas Sanata Dharma Yogyakarta.

Pada kesempatan ini, penulis ingin mengucapkan terima kasih kepada pihak-pihak yang telah membantu penulis baik selama penelitian maupun saat mengerjakan tugas akhir ini. Ucapan terima kasih sebesar-besarnya penulis sampaikan kepada:

1. Tuhan Yang Maha Esa, yang senantiasa memberi daya kekuatan dan pertolongan selama menyelesaikan tugas akhir ini.

2. Orang tua, (Alm.)Romulus Purwoko dan Anastasia Sustarini, serta keluarga yang telah memberikan dukungan spiritual dan material.

3. Dr. C. Kuntoro Adi, S.J., M.A., M.Sc. selaku dosen pembimbing tugas akhir, atas bimbingan, waktu, dan saran yang telah diberikan kepada penulis. 4. Puspaningtyas Sanjoyo Adi, S.T., M.T. selaku dosen pembimbing akademik,

atas bimbingan, kritik dan saran yang telah diberikan kepada penulis.

5. Sri Hartati Wijono, S.Si., M.Kom. selaku dosen penguji, atas bimbingan, kritik, dan saran yang telah diberikan kepada penulis.

6. Dr. Anastasia Rita Widiarti selaku dosen penguji dan ketua program studi Teknik Informatika, atas bimbingan, kritik, dan saran yang telah diberikan kepada penulis.

7. Sudi Mungkasi, Ph.D. selaku dekan Fakultas Sains dan Teknologi, atas bimbingan, kritik, dan saran yang telah diberikan kepada penulis.

8. Seluruh dosen Teknik Informatika atas ilmu yang telah diberikan semasa kuliah dan sangat membantu penulis dalam mengerjakan tugas akhir.

xii DAFTAR ISI

1

HALAMAN JUDUL ... I TITLE PAGE ... II SKRIPSI ... III SKRIPSI ... IV MOTTO... V PERNYATAAN KEASLIAN KARYA ... VI LEMBAR PERSETUJUAN PUBLIKASI KARYA ILMIAH UNTUK

KEPENTINGAN AKADEMIS ... VII ABSTRAK ... VIII ABSTRACT ... IX KATA PENGANTAR ... X DAFTAR ISI ... XII DAFTAR TABEL ... XV DAFTAR GAMBAR ... XVII

1. BAB I ... 1

1.1 LATAR BELAKANG ... 1

1.2 PERUMUSAN MASALAH ... 2

1.3 MAKSUD DAN TUJUAN TUGAS AKHIR ... 2

1.4 PEMBATASAN DAN RUANG LINGKUP PERMASALAHAN ... 3

1.5 SISTEMATIKA PENULISAN ... 3

2. BAB II... 5

2.1 ANALISIS SENTIMEN ... 5

2.1.1 Level Analisis Sentimen ... 5

2.2 EMOSI ... 6

2.2.1 Emosi Dasar ... 6

2.2.2 Kosakata Emosi ... 7

2.3 TEXT MINING ... 9

2.4 PREPROCESSING ... 9

2.4.1 Tokenization / Tokenizing ... 10

2.4.2 Stopword Removal ... 10

2.4.3 Stemming ... 11

xiii

2.5 PEMBOBOTAN TF-IDF ... 17

2.6 NORMALISASI ... 18

2.6.1 Normalisasi Z-Score ... 18

2.6.2 Normalisasi Min-Max ... 19

2.7 CLUSTERING ... 19

2.7.1 K-Means Clustering ... 20

2.7.2 Variance Initialization ... 22

2.8 COSINE SIMILARITY ... 22

2.9 CONFUSION MATRIX ... 23

3. BAB III ... 25

3.1 DATA ... 25

3.2 DESKRIPSI SISTEM ... 30

3.3 MODEL ANALISIS ... 37

3.3.1 Preprocessing ... 37

3.3.1.1 Tokenizing... 37

3.3.1.2 Stopword Removal ... 40

3.3.1.3 Stemming ... 43

3.3.1.4 Preprocessing Tambahan ... 46

3.3.2 Pembobotan ... 48

3.3.3 Normalisasi ... 56

3.3.3.1 Z-Score ... 57

3.3.3.2 Min-Max ... 59

3.3.4 K-Means Clustering ... 61

3.3.4.1 Variance Initialization ... 61

3.3.4.2 Langkah K-Means Clustering... 65

3.3.5 Hitung Akurasi ... 68

3.4 KEBUTUHAN HARDWARE DAN SOFTWARE ... 70

3.5 DESAIN PENGUJIAN ... 71

4. BAB IV ... 73

4.1 ANALISIS HASIL ... 73

4.2 IMPLEMENTASI ... 84

4.2.1 Preprocessing dan Pembobotan... 84

4.2.1.1 Tokenizing... 85

4.2.1.2 Stopword Removal ... 85

4.2.1.3 Stemming ... 86

4.2.1.4 Negation Handling ... 88

4.2.1.5 Pembobotan ... 89

4.2.1.6 Hasil Preprocessing dan Pembobotan... 90

4.2.2 Pengujian Sistem... 91

4.2.2.1 Normalisasi ... 92

xiv

4.2.2.1.2 Min-Max... 92

4.2.2.2 Variance Initialization ... 93

4.2.2.3 Langkah K-Means Clustering... 94

4.2.2.4 Output Centroid ... 97

4.2.2.5 Akurasi ... 98

4.2.3 Pengujian Data Baru ... 99

5. BAB V ... 101

5.1 KESIMPULAN ... 101

5.2 SARAN ... 102

DAFTAR PUSTAKA ... 103

LAMPIRAN ... 105

xv DAFTAR TABEL

Tabel 2.1 Kosakata Emosi... 7

Tabel 2.2 Kombinasi Awalan dan Akhiran ... 14

Tabel 2.3 Cara Menentukan Tipe Awalan untuk Awalan “te-” ... 14

Tabel 2.4 Jenis Awalan Berdasarkan Tipe ... 15

Tabel 2.5 Confusion Matrix 2 kelas ... 23

Tabel 3.1 Kata Sebelum Penggabungan... 47

Tabel 3.2 Kata Setelah Penggabungan ... 47

Tabel 3.3 Hitung document frequency (df) ... 52

Tabel 3.4 Hitung inverse document frequency (idf) ... 53

Tabel 3.5 Hitung weight (w) Tweet Cinta ... 54

Tabel 3.6 Hitung weight (w) Tweet Marah... 54

Tabel 3.7 Hitung weight (w) Tweet Sedih ... 55

Tabel 3.8 Hitung weight (w) Tweet Senang ... 55

Tabel 3.9 Hitung weight (w) Tweet Takut ... 56

Tabel 3.10 Tabel Pembobotan... 56

Tabel 3.11 Tabel Mean ... 57

Tabel 3.12 Tabel Standard Deviation ... 58

Tabel 3.13 Hasil Normalisasi Z-Score ... 59

Tabel 3.14 Tabel Min-Max ... 60

Tabel 3.15 Hasil Normalisasi Min-Max ... 60

Tabel 3.16 Hitung Variance ... 61

Tabel 3.17 Pilih Kolom Data dengan Variance Terbesar ... 62

Tabel 3.18 Sort Seluruh Dokumen ... 63

Tabel 3.19 Bagi Dokumen Menjadi k Bagian (k=5) ... 64

Tabel 3.20 Pilih Median Tiap Bagian Sebagai Centroid Awal ... 64

Tabel 3.21 Centroid Awal ... 65

Tabel 3.22 K-Means Clustering ... 66

Tabel 3.23 Hasil Clustering ... 67

Tabel 3.24 Update Centroid ... 67

Tabel 3.25 Perbandingan Cluster Hasil Prediksi dan Label Aktual... 68

Tabel 3.26 Confusion Matrix ... 69

Tabel 3.27 Template Tabel Pengujian Tanpa Normalisasi ... 71

Tabel 3.28 Template Tabel Pengujian Menggunakan Normalisasi Z-Score ... 72

Tabel 3.29 Template Tabel Pengujian Menggunakan Normalisasi Min-Max ... 72

Tabel 4.1 Tabel Pengujian Tanpa Normalisasi ... 73

Tabel 4.2 Tabel Pengujian Menggunakan Normalisasi Z-Score ... 74

xvi Tabel 4.4 Confusion Matrix Pengujian Dengan Min-Max Threshold = 5 dan Minimal Kemunculan Kata = 3 ... 84

xvii DAFTAR GAMBAR

Gambar 3.1 Tweet Cinta ... 26

Gambar 3.2 Tweet Marah ... 27

Gambar 3.3 Tweet Sedih ... 28

Gambar 3.4 Tweet Senang... 29

Gambar 3.5 Tweet Takut ... 30

Gambar 3.6 Diagram Blok ... 37

Gambar 3.7 Tokenizing Tweet Cinta ... 38

Gambar 3.8 Tokenizing Tweet Marah ... 38

Gambar 3.9 Tokenizing Tweet Sedih ... 39

Gambar 3.10 Tokenizing Tweet Senang ... 39

Gambar 3.11 Tokenizing Tweet Takut ... 40

Gambar 3.12 Stopword Removal Tweet Cinta ... 41

Gambar 3.13 Stopword Removal Tweet Marah... 41

Gambar 3.14 Stopword Removal Tweet Sedih ... 42

Gambar 3.15 Stopword Removal Tweet Senang ... 42

Gambar 3.16 Stopword Removal Tweet Takut ... 43

Gambar 3.17 Stemming Tweet Cinta ... 43

Gambar 3.18 Stemming Tweet Marah ... 44

Gambar 3.19 Stemming Tweet Sedih ... 44

Gambar 3.20 Stemming Tweet Senang ... 45

Gambar 3.21 Stemming Tweet Takut ... 45

Gambar 3.22 Penghapusan Noise Tweet ... 46

Gambar 3.23 Penanganan Kata Negasi ... 48

Gambar 3.24 Hitung term frequency (tf) Tweet Cinta... 49

Gambar 3.25 Hitung term frequency (tf) Tweet Marah ... 49

Gambar 3.26 Hitung term frequency (tf) Tweet Sedih ... 50

Gambar 3.27 Hitung term frequency (tf) Tweet Senang ... 50

Gambar 3.28 Hitung term frequency (tf) Tweet Takut ... 51

Gambar 4.1 Hasil Akurasi Tanpa Normalisasi ... 74

Gambar 4.2 Hasil Akurasi Menggunakan Normalisasi Z-Score ... 78

Gambar 4.3 Hasil Akurasi Menggunakan Normalisasi Z-Score (Threshold = 7) . 78 Gambar 4.4 Hasil Akurasi Menggunakan Normalisasi Min-Max ... 82

Gambar 4.5 Hasil Akurasi Menggunakan Normalisasi Min-Max (Threshold = 5)83 Gambar 4.6 Potongan Source Code Tokenizing ... 85

Gambar 4.7 File Stopwords.txt... 86

Gambar 4.8 Potongan Source Code Stopword Removal ... 86

xviii

Gambar 4.10 Potongan Source Code Stemming Hapus Imbuhan ... 87

Gambar 4.11 File Synonym.txt ... 88

Gambar 4.12 Potongan Source Code Stemming Sinonim Kata ... 88

Gambar 4.13 Potongan Source Code Penanganan Kata “Tidak” ... 89

Gambar 4.14 Potongan Source Code Pembobotan tf-idf ... 90

Gambar 4.15 Hasil Tahap Preprocessing dan Pembobotan... 91

Gambar 4.16 Potongan Source Code Normalisasi Z-Score ... 92

Gambar 4.17 Potongan Source Code Normalisasi Min-Max ... 93

Gambar 4.18 Potongan Source Code Variance Initialization ... 93

Gambar 4.19 Centroid Awal Berdasarkan Variance Initialization ... 94

Gambar 4.20 Potongan Source Code K-Means Clustering ... 97

Gambar 4.21 Hasil Implementasi K-Means Clustering ... 97

Gambar 4.22 Output Centroid... 98

Gambar 4.23 Potongan Source Code Confusion Matrix ... 99

Gambar 4.24 Hasil Implementasi Confusion Matrix ... 99

Gambar 4.25 Input Uji Data Baru ... 100

1 1. BAB I

PENDAHULUAN

1.1 Latar Belakang

Microblogging merupakan layanan media sosial yang memungkinkan

penggunanya untuk mengirim pesan singkat berisi berita, opini, atau komentar mengenai satu topik tertentu. Contoh layanan microblogging yaitu

Twitter, FriendFeed, Cif2.net, Plurk, Jaiku, identi.ca, dan Tumblr.

Penelitian ini menggunakan microblogging paling populer saat ini yaitu

Twitter. Twitter adalah layanan microblogging yang memungkinkan

penggunanya mengirim dan membaca tulisan singkat dengan panjang maksimum 140 karakter. Tulisan singkat ini dikenal dengan sebutan tweet.

Tweet yang disampaikan seringkali disertai emosi penulis. Emosi dapat

diklasifikasikan menjadi emosi positif dan emosi negatif. Emosi-emosi positif seperti rasa senang dan rasa cinta mengekspresikan sebuah evaluasi atau perasaan menguntungkan. Emosi-emosi negatif seperti rasa marah atau rasa sedih mengekspresikan sebaliknya. Emosi tidak dapat netral karena emosi netral berarti nonemosional.

Pengenalan emosi pada tweet dapat dilakukan menggunakan analisis sentimen. Analisis sentimen dapat dimanfaatkan untuk menggali opini publik tentang suatu topik. Analisis sentimen terhadap tweet perlu dilakukan karena dapat dijadikan sebagai dasar manajemen merk, corporate reputation, marketing, sistem rekomendasi, dan intelijen.

2 Penelitian tentang analisis sentimen pernah dilakukan oleh Nur dan Santika pada tahun 2011. Nur dan Santika membuat penelitian berjudul “Analisis Sentimen Pada Dokumen Berbahasa Indonesia dengan Pendekatan

Support Vector Machine”. Nur dan Santika melakukan analisis sentimen

dengan data tweet berbahasa Indonesia dengan pendekatan SVM dan Naive

Bayes. Dalam penelitian, kedua penulis menambahkan fitur antara lain feature present (FP), term frequency (TF), dan term frequency-invers document frequency (TF-IDF). Hasil penelitian menunjukkan tingkat akurasi

mencapai sekitar 75% (Nur dan Santika, 2011). 1.2 Perumusan Masalah

Berdasarkan latar belakang di atas, rumusan masalah pada penelitian ini adalah:

1. Bagaimana pendekatan algoritma K-Means mampu melakukan analisis sentimen untuk mendapatkan emosi yang terkandung dalam tweet?

2. Seberapa akurat metode K-Means mampu mengekstrak dan mengenali emosi yang terkandung dalam tweet?

1.3 Maksud dan Tujuan Tugas Akhir

Maksud dan tujuan dari penelitian ini adalah sebagai berikut:

1. Melakukan ekstraksi terhadap tweet untuk mendapatkan perbedaan karakter tiap tweet berdasarkan emosi yang terkandung.

3 1.4 Pembatasan dan Ruang Lingkup Permasalahan

Untuk membahas topik yang lebih terarah dan terfokus pada tujuan yang ingin dicapai, maka batasan masalahnya sebagai berikut:

1. Tweet yang dianalisis sentimen hanyalah tweet berbahasa Indonesia.

2. Analisis sentimen dilakukan menggunakan pendekatan clustering. 3. Algoritma clustering yang dipakai adalah K-Means clustering.

4. Pengelompokan tweet berdasarkan lima emosi dasar yaitu cinta, marah, sedih, senang, dan takut.

1.5 Sistematika Penulisan

Sistematika penulisan tugas akhir ini dibagi menjadi beberapa bab dengan susunan sebagai berikut:

BAB I: PENDAHULUAN

Bab ini berisi pendahuluan yang terdiri dari latar belakang, rumusan masalah, tujuan, batasan masalah, dan sistematika penulisan.

BAB II: LANDASAN TEORI

Bab ini berisi teori-teori yang digunakan sebagai dasar dalam pembuatan sistem analisis sentimen tweet berbahasa Indonesia, antara lain teori tentang preprocessing teks, ekstraksi ciri dan algoritma K-Means

clustering yang akan dipakai untuk perancangan sistem.

BAB III: ANALISIS DAN PERANCANGAN SISTEM

Bab ini berisi analisis komponen-komponen yang akan digunakan untuk melakukan penelitian, serta perancangan sistem secara lengkap.

4 BAB IV: IMPLEMENTASI DAN ANALISA HASIL

Bab ini berisi implementasi dari perancangan yang telah dibuat sebelumnya serta analisis dari hasil program yang telah dibuat.

BAB V: PENUTUP

Bab ini berisi kesimpulan dari penelitian dan saran-saran untuk pengembangan penelitian lebih lanjut.

5 2. BAB II

LANDASAN TEORI

Bab ini berisi penjabaran teori-teori yang bersangkutan dengan penulisan Tugas Akhir ini. Teori-teori tersebut adalah Analisis Sentimen, Emosi, Text

Preprocessing, Pembobotan tf-idf, Normalisasi, K-Means Clustering, Cosine Similarity, dan Confusion Matrix.

2.1 Analisis Sentimen

Analisis sentimen adalah bidang studi yang menganalisis pendapat, sentimen, evaluasi, penilaian, sikap, dan emosi seseorang terhadap sebuah produk, organisasi, individu, masalah, peristiwa atau topik (Liu, 2012). 2.1.1 Level Analisis Sentimen

Analisis sentimen terdiri dari tiga level analisis yaitu: 1. Level Dokumen

Level dokumen menganalisis satu dokumen penuh dan mengklasifikasikan dokumen tersebut memiliki sentimen positif atau negatif. Level analisis ini berasumsi bahwa keseluruhan dokumen hanya berisi opini tentang satu entitas saja. Level analisis ini tidak cocok diterapkan pada dokumen yang membandingkan lebih dari satu entitas (Liu, 2012).

6 2. Level Kalimat

Level kalimat menganalisis satu kalimat dan menentukan tiap kalimat bernilai sentimen positif, negatif, atau netral. Sentimen netral berarti kalimat tersebut bukan opini (Liu, 2012).

3. Level Entitas dan Aspek

Level aspek tidak melakukan analisis pada konstruksi bahasa (dokumen, paragraf, kalimat, klausa, atau frase) melainkan langsung pada opini itu sendiri. Hal ini didasari bahwa opini terdiri dari sentimen (positif atau negatif) dan target dari opini tersebut. Tujuan level analisis ini adalah untuk menemukan sentimen entitas pada tiap aspek yang dibahas (Liu, 2012).

2.2 Emosi

Emosi adalah suatu pikiran dan perasaan khas yang disertai perubahan fisiologis dan biologis serta menimbulkan kecenderungan untuk melakukan tindakan (Goleman, 2006).

2.2.1 Emosi Dasar

Emosi yang dimiliki manusia dikategorikan menjadi lima emosi dasar yaitu cinta (love), senang (happiness), marah (anger), khawatir/takut (anxiety/fear), dan sedih (sadness). Emosi cinta dan senang merupakan emosi positif. Emosi marah, takut, dan sedih merupakan emosi negatif (Shaver, Murdaya, dan Fraley, 2001).

7 2.2.2 Kosakata Emosi

Penelitian terhadap 124 kosakata emosi di Indonesia menghasilkan dua kelompok besar yaitu kosakata emosi positif dan negatif. Kelompok kosakata emosi positif terdiri dari dua emosi dasar yaitu emosi cinta dan senang. Kelompok kosakata emosi negatif terdiri dari tiga emosi dasar yaitu marah, takut, dan sedih (Shaver, Murdaya, dan Fraley, 2001).

Pengelompokan terhadap 124 kosakata emosi di Indonesia terlihat pada Tabel 2.1 berikut:

Tabel 2.1 Kosakata Emosi

Superordinat Emosi Dasar Subordinat

Positif cinta (love) ingin, kepingin, hasrat, berahi, terangsang, gairah, demen, suka, terbuai, terpesona, terkesiap, terpikat, tertarik, perasaan, getar hati, setia, edan kesmaran, kangen, rindu, kemesraan, asmara, mesra, cinta, kasih, sayang

Positif senang

(happiness)

bangga, kagum, asik, sukacita, sukaria, bahagia, senang, girang, gembira, ceria, riang, damai, aman, tenteram, lega, kepuasan, puas, berani, yakin, ikhlas, tulus, berbesar, besar hati, rendah hati, sabar, tabah

8

Superordinat Emosi Dasar Subordinat

Negatif marah

(anger)

bosan, jenuh, cemburu, curiga, histeris, tinggi hati, iri, berdengki, dengki,

gemas, gregetan, ngambek,

tersinggung, muak, benci, dendam, emosi, kesal, sebal, mangkel, dongkol, jengkel, panas hati, kalap, senewen, murka, naik darah, naik pitam, marah, berang, geram

Negatif takut (fear) gentar, takut, berdebar, kebat-kebit, kalut, gusar, kecemasan, cemas, khawatir, waswas, bimbang, bingung, galau, gundah, gelisah, risau

Negatif sedih

(sadness)

kecil hati, malu, simpati, tersentuh, haru, keharuan, prihatin, iba, kasihan, murung, pilu, sendu, sedih, duka, dukacita, sakit hati, pedih hati, patah hati, remuk hati, frustrasi, putus asa, putus harapan, berat hati, penyesal, sesal

9 2.3 Text Mining

Text Mining didefinisikan sebagai proses pengetahuan intensif yang

melibatkan interaksi pengguna dengan sekumpulan dokumen dari waktu ke waktu menggunakan berbagai macam analisis. Sejalan dengan data mining,

text mining berusaha mengekstrak informasi yang berguna dari sumber data

melalui identifikasi dan eksplorasi pattern (Putri, 2013).

Text mining mencoba untuk mengekstrak informasi yang berguna dari

sumber data melalui identifikasi dan eksplorasi dari suatu pola menarik. Sumber data berupa sekumpulan dokumen dan pola menarik yang tidak ditemukan dalam bentuk database record, tetapi dalam data text yang tidak terstruktur (Sujana, 2013).

2.4 Preprocessing

Pemrosesan teks merupakan proses menggali, mengolah, dan mengatur informasi dengan cara menganalisis hubungan dan aturan yang ada pada data tekstual semi terstruktur atau tidak terstruktur. Agar pemrosesan lebih efektif, data tekstual diubah ke dalam format yang sesuai kebutuhan pemakai. Proses ini disebut preprocessing. Setelah dikenai preprocessing, data tekstual semi terstruktur atau tidak terstruktur akan menjadi lebih terstruktur. Data tersebut dapat dijadikan sebagai sumber data yang diolah lebih lanjut (Luhulima, 2013).

10 2.4.1 Tokenization / Tokenizing

Tokenization merupakan langkah untuk memotong dokumen

menjadi potongan-potongan kecil yang disebut token dan terkadang disertai langkah untuk membuang karakter tertentu seperti tanda baca (Manning, Raghavan, dan Schütze, 2009).

Contoh proses tokenization:

Input: aku merasa bahagia telah temukan dirimu kekasihku

Output:

aku merasa bahagia telah temukan dirimu kekasihku

2.4.2 Stopword Removal

Kata umum yang sering digunakan memiliki nilai yang kecil dalam membantu pemilihan dokumen yang sesuai dengan kebutuhan pengguna. Kata umum tersebut adalah stop words.

Terdapat beberapa cara dalam menentukan stop words. Cara pertama adalah dengan mengurutkan kata berdasarkan jumlah kemunculan dalam dokumen kemudian mengambil kata-kata yang sering muncul sebagai stop words. Cara kedua adalah dengan menentukan kata-kata yang termasuk dalam stop list sesuai konteks dokumen yang digunakan.

11 Kata-kata yang termasuk dalam daftar stop words akan dihilangkan selama pengindeksan. Tujuan stopword removal adalah mengurangi jumlah kata yang disimpan oleh sistem (Manning, Raghavan, dan Schütze, 2009).

Setiap bahasa memiliki daftar stop words yang berbeda. Contoh

stop words dalam bahasa Inggris yaitu “is”, “am”, “are”, “be”, dan “this”. Contoh stop words dalam bahasa Indonesia yaitu “aku”, “yang”, “dan”, “ini”, dan “telah”.

Contoh proses stopword removal:

Input:

aku merasa Bahagia telah temukan dirimu kekasihku

Output:

merasa Bahagia temukan dirimu kekasihku

2.4.3 Stemming

Stemming merupakan suatu proses yang terdapat dalam sistem information retrieval yang mentransformasi kata-kata yang terdapat

dalam suatu dokumen ke kata-kata akarnya (root word) dengan menggunakan aturan-aturan tertentu. Sebagai contoh, kata bersama, kebersamaan, menyamai, akan distem ke root word-nya yaitu “sama”.

12 Proses stemming pada teks berbahasa Indonesia berbeda dengan

stemming pada teks berbahasa Inggris. Pada teks berbahasa Inggris,

proses yang diperlukan hanya proses menghilangkan sufiks. Sedangkan pada teks berbahasa Indonesia, selain sufiks, prefiks, dan konfiks juga dihilangkan (Agusta, 2009).

Algoritma Stemming yang dibuat oleh Bobby Nazief dan Mirna Adrianimemiliki tahap-tahap sebagai berikut (Agusta, 2009):

1. Pertama cari kata yang akan di-stem dalam kamus kata dasar. Jika ditemukan maka diasumsikan kata adalah root word. Maka algoritma berhenti.

2. Inflection Suffixes (“-lah”, “-kah”, “-ku”, “-mu”, atau “-nya”) dibuang. Jika berupa particles (“-lah”, “-kah”, “-tah” atau “-pun”) maka langkah ini diulangi lagi untuk menghapus Possesive

Pronouns(“-ku”, “-mu”, atau “-nya”), jika ada.

3. Hapus Derivation Suffixes (“-i”, “-an” atau “-kan”). Jika kata ditemukan di kamus, maka algoritma berhenti. Jika tidak maka ke langkah 3a.

a. Jika “-an” telah dihapus dan huruf terakhir dari kata tersebut adalah “-k”,maka “-k” juga ikut dihapus. Jika kata tersebut ditemukan dalam kamus maka algoritma berhenti. Jika tidak ditemukan maka lakukan langkah 3b.

b. Akhiran yang dihapus (“-i”, “-an” atau “-kan”) dikembalikan, lanjut ke langkah 4.

13 4. Hapus Derivation Prefix. Jika pada langkah 3 ada sufiks yang dihapus maka pergi ke langkah 4a, jika tidak pergi ke langkah 4b. a. Periksa tabel kombinasi awalan-akhiran yang tidak diijinkan. Jika ditemukan maka algoritma berhenti, jika tidak pergi ke langkah 4b.

b. For i = 1 to 3, tentukan tipe awalan kemudian hapus awalan. Jika root word belum juga ditemukan lakukan langkah 5, jika sudah maka algoritma berhenti. Catatan: jika awalan kedua sama dengan awalan pertama algoritma berhenti. 5. Melakukan Recoding.

6. Jika semua langkah telah selesai tetapi tidak juga berhasil maka kata awal diasumsikan sebagai root word. Proses selesai.

Tipe awalan ditentukan melalui langkah-langkah berikut:

1. Jika awalannya adalah: “di-”, “ke-”, atau “se-” maka tipe awalannya secara berturut-turut adalah “di-”, “ke-”, atau “se-”. 2. Jika awalannya adalah “te-”, “me-”, “be-”, atau “pe-” maka

dibutuhkan sebuah proses tambahan untuk menentukan tipe awalannya.

3. Jika dua karakter pertama bukan “di-”, “ke-”, “se-”, “te-”, “be-”, “me-”, atau“pe-” maka berhenti.

14 4. Jika tipe awalan adalah “none” maka berhenti. Jika tipe awalan adalah bukan “none” maka awalan dapat dilihat pada Tabel . Hapus awalan jika ditemukan.

Tabel 2.2 Kombinasi Awalan dan Akhiran

Awalan Akhiran yang tidak diizinkan

be- -i

di- -an

ke- -i, -kan

me- -an

se- -i, -kan

Tabel 2.3 Cara Menentukan Tipe Awalan untuk Awalan “te-”

Following characters Tipe awalan

set 1 set 2 set 3 set 4

“-r-” “-r-” - - none

“-r-” vowel - - ter- luluh

“-r-” not(vowel or “-r-”) “-er-” vowel ter “-r-” not(vowel or “-r-”) “-er-” not vowel ter “-r-” not(vowel or “-r-”) not “-er-” - ter

not(vowel or “-r-”) “-er-” vowel - none not(vowel or “-r-”) “-er-” not vowel - te

15 Tabel 2.4 Jenis Awalan Berdasarkan Tipe

Tipe Awalan Awalan yang harus dihapus

di- di-

ke- ke-

se- se-

te- te-

ter- ter-

ter- luluh ter- luluh

Untuk mengatasi keterbatasan pada algoritma di atas, maka ditambahkan aturan-aturan dibawah ini (Agusta, 2009):

1. Aturan untuk reduplikasi.

 Jika kedua kata yang dihubungkan oleh kata penghubung adalah kata yang sama maka root word adalah bentuk tunggalnya, contoh : “buku-buku” root word-nya adalah “buku”.

 Kata lain, misalnya “bolak-balik”, “berbalas-balasan”, dan ”seolah-olah”. Untuk mendapatkan root word-nya, kedua kata diartikan secara terpisah. Jika keduanya memiliki root

word yang sama maka diubah menjadi bentuk tunggal,

contoh: kata “berbalas-balasan”, “berbalas” dan “balasan” memiliki root word yang sama yaitu “balas”, maka root

16

word “berbalas-balasan” adalah “balas”. Sebaliknya, pada kata “bolak-balik”, “bolak” dan“balik” memiliki root word yang berbeda, maka root word-nya adalah “bolak-balik”. 2. Tambahan bentuk awalan dan akhiran serta aturannya.

 Untuk tipe awalan “mem-“, kata yang diawali dengan awalan “memp-”memiliki tipe awalan “mem-”.

 Tipe awalan “meng-“, kata yang diawali dengan awalan “mengk-”memiliki tipe awalan “meng-”.

Contoh proses stemming:

Input:

merasa bahagia temukan dirimu kekasihku

Output:

rasa bahagia temu diri kasih

2.4.4 Perbedaan Perlakuan Preprocessing

Pada klasifikasi teks berdasarkan kategori artikel, kata-kata seperti “tidak”, “tanpa”, dan “bukan” dianggap tidak penting sehingga dimasukkan ke dalam daftar kata yang bisa dihilangkan (stopword). Namun, pada klasifikasi teks emosi, kata “tidak”, “tanpa”, dan “bukan” menjadi sangat berarti dan tidak boleh dihilangkan.

17 Perlakuan proses sebelum klasifikasi sangat penting supaya data yang diolah benar-benar mewakili maksud dari sebuah dokumen. Kata “tanpa cinta” dan “tidak senang” dapat menempatkan dokumen dalam kelas yang berbeda (Destuardi dan Sumpeno, 2009).

Sebagai contoh, dokumen yang mengandung kata “tidak senang” akan masuk ke kelas yang berbeda dengan dokumen yang mengandung kata ”senang”.

2.5 Pembobotan tf-idf

Pembobotan dilakukan untuk mendapatkan nilai dari kata (term) yang telah diekstrak. Metode pembobotan yang digunakan yaitu pembobotan tf-idf. Pada tahap ini, setiap dokumen diwujudkan sebagai sebuah vector dengan elemen sebanyak kata (term) yang didapat dari tahap ekstraksi dokumen.

Vector tersebut beranggotakan bobot dari setiap term yang didapat dengan

perhitungan bobot tf-idf.

Metode tf-idf merupakan metode pembobotan dengan menggunakan integrasi antara term frequency (tf) dan inverse document frequency (idf). Metode tf-idf dirumuskan sebagai berikut:

, = , ∗ �

� = � �

18 , adalah jumlah kemunculan kata t pada dokumen d, � adalah jumlah dokumen pada kumpulan dokumen, dan adalah jumlah dokumen yang mengandung term t.

Fungsi metode ini untuk mencari representasi nilai dari tiap-tiap dokumen dari kumpulan data training. Representasi nilai akan dibentuk menjadi vector antara dokumen dengan kata (documents with terms). Kesamaan antara dokumen dengan cluster ditentukan oleh sebuah prototype

cluster yang disebut juga dengan cluster centroid (Putri, 2013).

2.6 Normalisasi

Metode normalisasi yang digunakan pada penelitian ini adalah metode normalisasi z-score dan metode normalisasi min-max.

2.6.1 Normalisasi Z-Score

Normalisasi z-score umumnya digunakan jika nilai minimum dan maksimum sebuah atribut tidak diketahui. Normalisasi z-score dirumuskan sebagai berikut:

′_{= − �̅ �}

�

⁄ (2.2)

′ _{adalah nilai yang baru, adalah nilai yang lama, �̅ adalah rata-rata}

dari atribut �, dan �_� adalah nilai standar deviasi dari atribut � (Mustaffa dan Yusof, 2011).

19 2.6.2 Normalisasi Min-Max

Normalisasi min-max dirumuskan sebagai berikut:

� =_�� −�

��−� (2.3)

� adalah nilai baru untuk variable �, � adalah nilai lama untuk variabel �, � adalah nilai minimum dalam data set, dan � _�� adalah nilai maksimum dalam data set (Mustaffa dan Yusof, 2011).

2.7 Clustering

Sejumlah besar data dikumpulkan setiap hari dalam lingkup bisnis dan sains. Data ini perlu dianalisis dengan tujuan memperoleh informasi menarik. Salah satu metode analisis yang cukup populer adalah clustering.

Clustering merupakan salah satu alat penting dalam data mining yang

membantu peneliti mengetahui pengelompokan secara natural atribut-atribut dalam data. Analisis cluster dipakai dalam berbagai bidang antara lain data

mining, pattern recognition, pattern classification, data compression, machine learning, image analysis, dan bioinformatics.

Clustering adalah metode yang memungkinkan sebuah cluster

terbentuk karena kesamaan karakteristik anggota-anggota cluster tersebut. Kriteria untuk menentukan kesamaan tergantung pada implementasi. Algoritma clustering dapat dikelompokkan menjadi dua kelas besar yaitu

20 Algoritma Hierarchical clustering menggunakan pemisahan secara bersarang. Teknik yang termasuk hierarchical clustering yaitu Divisive

clustering dan Agglomerative clustering. Divisive clustering menganggap

keseluruhan data merupakan sebuah cluster kemudian membagi cluster tersebut menjadi lebih kecil. Agglomerative clustering menganggap sebuah data merupakan sebuah cluster kemudian menggabung cluster tersebut menjadi lebih besar.

Algoritma Partition clustering tidak menggunakan struktur cluster seperti dendogram yang terbentuk melalui teknik hierarchical. Metode

partition diterapkan pada data sets besar untuk menghindari pemakaian

komputasi saat pembentukan dendogram. Masalah yang dijumpai pada algoritma partition yaitu pemilihan jumlah cluster (Agha dan Ashour, 2012).

2.7.1 K-Means Clustering

K-Means clustering merupakan salah satu teknik partition clustering yang paling banyak digunakan. K-Means diawali dengan

menginisialisasi K pusat cluster. Tiap titik data akan dimasukkan pada

cluster yang tersedia berdasarkan kedekatan dengan pusat cluster.

Langkah berikutnya adalah menghitung rata-rata setiap cluster untuk meng-update pusat cluster. Update terjadi sebagai hasil dari perubahan keanggotaan cluster. Proses akan berulang sampai pusat cluster tidak berubah. Langkah-langkah algoritma K-Means sebagai berikut:

21 1. Initialization: pilih K input vector data sebagai inisialisasi pusat

cluster.

2. Nearest-neighbor search: untuk setiap input vector, temukan

pusat cluster terdekat, dan masukkan input vector pada cluster terdekat.

3. Mean update: update pusat cluster menggunakan rata-rata

(centroid) vector yang tergabung dalam setiap cluster.

4. Stopping rule: ulangi langkah 2 dan 3 sampai tidak ada perubahan

nilai rata-rata (mean).

Pemilihan pusat awal cluster sangat mempengaruhi hasil

K-Means clustering sehingga diperlukan tahap tertentu untuk memilih

pusat awal cluster yang optimal. Pemilihan dapat dilakukan secara

random atau dengan menjadikan k data pertama sebagai pusat awal cluster, k adalah jumlah cluster. Sebagai alternatif, pemilihan dilakukan

dengan mencoba beragam kombinasi pusat awal kemudian memilih kombinasi yang paling optimal. Namun, melakukan uji coba terhadap kombinasi pusat awal tidak praktis terlebih untuk data sets yang besar.

Pemilihan pusat atau centroid awal dapat dilakukan dengan algoritma tertentu. Dalam penelitian ini, algoritma yang digunakan adalah variance initialization. Algoritma ini akan menemukan dimensi dengan nilai variance terbesar, melakukan sort, membagi data menjadi sejumlah bagian, mencari median pada setiap bagian, dan menjadikan

22 2.7.2 Variance Initialization

Variance initialization adalah salah satu algoritma yang

digunakan untuk menentukan centroid awal pada proses clustering. Langkah-langkah variance initialization adalah sebagai berikut (Al-Daoud, 2007):

1. Hitung nilai variance data pada setiap dimensi (kolom data). 2. Temukan kolom dengan nilai variance terbesar, kemudian sort

data.

3. Bagi keseluruhan data menjadi K bagian, K adalah jumlah

cluster.

4. Temukan median (nilai tengah) pada setiap bagian.

5. Gunakan vector data median setiap bagian sebagai centroid awal

cluster.

2.8 Cosine Similarity

Metode cosine similarity adalah metode untuk menghitung similaritas antara dua dokumen. Penentuan kesesuaian dokumen dengan query dipandang sebagai pengukuran (similarity measure) antara vector dokumen (D) dengan vector query (Q). Perhitungan cosine similarity dirumuskan sebagai berikut:

� �� (�, ) = ∑= � .

√(∑₌ �) .√(∑₌ )

23 � adalah dokumen uji, adalah dokumen training, dan adalah nilai

bobot setiap term pada dokumen.

Kedekatan query dengan dokumen diindikasikan dengan sudut yang dibentuk. Nilai cosinus yang cenderung besar menunjukkan dokumen cenderung sesuai query. Proses membandingkan satu dokumen dengan dokumen lain menggunakan angka similaritas yang didapat dengan perhitungan pada persamaan (Putri, 2013).

2.9 Confusion Matrix

Data pelatihan dan pengujian merupakan data yang berbeda sehingga klasifikasi dapat diuji dengan benar. Akurasi dari klasifikasi dihitung dari jumlah data yang dikenali sesuai dengan target kelasnya. Perhitungan akurasi klasifikasi data dihitung menggunakan tabel yang bernama Confusion Matrix (Tan, Steinbach, dan Kumar, 2006). Tabel 2.5 merupakan Confusion Matrix untuk klasifikasi 2 kelas.

Tabel 2.5 Confusion Matrix 2 kelas Hasil pengujian

1 0

Target kelas

1 F11 F10

0 F01 F00

Fij adalah jumlah data yang dikenali sebagai kelas j dengan target kelas i. Dari Tabel 2.1, didapat persamaan-persamaan untuk menghitung akurasi dan tingkat kesalahan suatu klasifikasi:

24 1. Persamaan untuk menghitung akurasi keseluruhan klasifikasi

� � � = �ℎ � � _�ℎ � �_{� � �} � = _{� +� +� +�}� +� (2.5)

2. Persamaan untuk menghitung error keseluruhan klasifikasi

� � � = �ℎ � � _�ℎ � _{� � �}� � � = _{� +� +� +�}� +� (2.6)

3. Persamaan untuk menghitung akurasi klasifikasi kelas 1

� � � = �ℎ � � _{�ℎ � � �} � � _� � = _{� +�}� (2.7)

4. Persamaan untuk menghitung error klasifikasi kelas 1

� � � = �ℎ � � _�ℎ � _{� � �} � � _� � = _{� +�}� (2.8)

5. Persamaan untuk menghitung akurasi klasifikasi kelas 0

� � � = �ℎ � � _{�ℎ � � �} � � _� � = _{� +�}� (2.9)

6. Persamaan untuk menghitung error klasifikasi kelas 0

25 3. BAB III

METODOLOGI PENELITIAN

Bab ini berisi perancangan penelitian yang akan dibuat oleh penulis meliputi data, deskripsi sistem, dan model analisis.

3.1 Data

Data yang digunakan pada penelitian ini adalah tweet berbahasa Indonesia yang ditulis oleh para pengguna layanan Twitter. Tweet yang dikumpulkan merupakan tweet yang berisi emosi cinta, sedih, senang, marah, atau takut. Penulis mengumpulkan masing-masing 200 tweet untuk tiap kelompok emosi sehingga total tweet yang digunakan sebagai data berjumlah 1000.

Pengumpulan data dilakukan pada tanggal 1 Januari sampai 30 Juni 2015 secara manual yaitu dengan menyalin kalimat tweet ke file teks. Pencarian dan pengumpulan data dilakukan dengan menggunakan hashtag #cinta, #sedih, #senang, #marah, dan #takut. Setiap tweet diletakkan pada setiap baris pada file teks. File teks berisi tweet tersebut kemudian dijadikan input pada sistem untuk diolah lebih lanjut.

Gambar 3.1 menunjukkan contoh tweet dengan emosi cinta. Penulis

tweet tersebut mengungkapkan kecintaan pada seseorang atau sesuatu melalui

26 @MT_lovehoney Jun 30 View translation saat hati berbunga, rindu akan melanda,,, selmat pagi duniaaaa,,,,, #cinta

@andrisaragih6 Jun 29 View translation Rasa itu pasti ada , baik sudah lama maupun tidak lama , dengan diri nya #Cinta

@SemuaCintaKamu Jun 29 View translation Semoga rindu ini bisa menyatukan kita dalam satu ikatan cinta yg suci #rindu #cinta #suci

@asmi_AB Jun 29 View translation Jangan salahkan jika rindu datang, nikmati hadirnya, hapus airmatamu dan peluk dia dengan doa. #Cinta

@ozageoradeta Jun 29 View translation Cnta itu indah.. Seindah senyuman & candaan Cinta itu memeluk hati ke2 insan.. Menyatukan nya dalam 1 ikatan #cinta

Gambar 3.1 Tweet Cinta

Gambar 3.2 menunjukkan contoh tweet dengan emosi marah. Penulis

tweet tersebut mengungkapkan kemarahan pada seseorang atau sesuatu

melalui kata-kata yang ditulis.

@DavidPanggi Jun 29 View translation Kampretttt...ember itu orang....#Marah

27 @dear_darma Jun 29 Siman, East Java View translation Sadar g sih loe, klo kata" lho udh nyakitin gw! #marah

@Lidya_christine Jun 28 View translation Hmmmm...smkn lama smkn buat jengkel..#marah #kesel #kecewa Gini salah gitu salah...msti y apa lg ini kudu nangis ae..

@EytikaSari Jun 27 View translation #Tamasha retweeted lisa vanestha #Ngambek bnget #Marah thu sampai rumah depan mati lampu ,,,,, alnya dah tidur orangnya jdi di mati'i lmpunya

@angelaflassy Jun 26 View translation Saat sedang berpuasa, jangan buat orang lain marah dong...#marah

Gambar 3.2 Tweet Marah

Gambar 3.3 menunjukkan contoh tweet dengan emosi sedih. Penulis

tweet tersebut mengungkapkan kesedihan pada seseorang atau sesuatu

melalui kata-kata yang ditulis.

@shasiahmohd Jun 29 View translation Dengar alunan Al-Quran ni makin rasa sedih pula. Allahu, kuatkan aku! #Sedih

@DelsaMpuspita Jun 29 View translation Malam ini banjir air mata ;( rindu Ibu ;( #sedih

28 @ade_noviantika Jun 29 View translation Film "Hearts Trings" oohhhh s0 sweAt bngeett ?jdi keingat sma seseorng ? tpi kini Dia telah mnghilng & meninggalkan Qku..#sedih rasanya?

@kuswandi_sumaga Jun 29 View translation Arti Persahabatn yg sesungguhnya adalah,ketika sahabat meninggalkan kita.yg tersisa kenangan & air mata.?????? #Sedih,,,??????

@NyimasPiliana_ Jun 28 View translation #sedih #sedih #sedih ni film berhasil buat ngeluari air mata:'( #huaaaa

Gambar 3.3 Tweet Sedih

Gambar 3.4 menunjukkan contoh tweet dengan emosi senang. Penulis

tweet tersebut mengungkapkan kesenangan pada seseorang atau sesuatu

melalui kata-kata yang ditulis.

@Dino_stiel 29 Jun 2015 Alhamdulillah,terima kasih ya Allah #iphone6 #berkah #senang https://instagram.com/p/4g8kqYlObu/

@iqbalmad 28 Jun 2015 Senyum - Alhamdulillah.\^_^/ Insyaallah Besok, bisa ikut di dua agenda yg awalnya bentrok. #Senang #Bukber || R12

29 @wady_INmadrid 26 Jun 2015 "senang bisa buat senang yang disenang" #senang

@MarlikaD_Lilica Jun 26 View translation Alhamdulillah gua lulus ... #Bersyukur #senang — bersyukur

@mawyow 24 Jun 2015 View translation Teman-teman, kabarnya lagu saya masuk chart di radio @prambors #LNH20 Yeaaaayy!! dengerin yuk sekarang sampai jam10 nanti #senang

Gambar 3.4 Tweet Senang

Gambar 3.5 menunjukkan contoh tweet dengan emosi takut. Penulis

tweet tersebut mengungkapkan ketakutan pada seseorang atau sesuatu

melalui kata-kata yang ditulis.

@rina_sugiarty Jun 30 View translation Sampe takut buat mejem #takut yg di dapet mimpi buruk :3

@siagian_ronald Jun 27 View translation Keadaan ekonomi atau kesusahan hidup, belum seberapa dibanding neraka #takut

@elfyesha Jun 26 View translation firasat buruk, sperti ada ssuatu yg tdk beres. #Takut

30 @Sifni_Jumaila Jun 26 View translation .kayak lewat dilorong setan. Sumpah serem. #takut

@shining_ning Jun 26 View translation Kok td ad suara suara horor yg berasa ad di dpn kamar ku, huahhh apakah itu >___< #takut

Gambar 3.5 Tweet Takut

3.2 Deskripsi Sistem

Sistem ini digunakan untuk mengetahui akurasi penggolongan tweet berdasarkan emosi dengan menggunakan metode K-Means Clustering. Sistem dapat melakukan tahap preprocessing, pembobotan, normalisasi,

K-Means Clustering, menghitung akurasi menggunakan confusion matrix, dan

menguji data baru.

Tahap Preprocessing

Pada tahap preprocessing, sistem melakukan tahap tokenizing, remove

stopword dan stemming. Sistem juga melakukan beberapa perlakuan khusus

terhadap data yang digunakan karena tweet mengandung banyak noise. Sistem akan menghapus link url, username, tanda retweet, dan beragam noise lain. Sistem akan mengubah kata tidak baku atau kata yang disingkat menjadi kata yang baku. Sistem juga akan mengambil kata yang diawali tanda pagar (hashtag).

Langkah-langkah tokenizing :

31 2. Ambil tiap token pada kalimat tweet dengan menggunakan spasi

sebagai pemisah antara satu token dengan token lain. 3. Simpan tiap kalimat tweet yang terdiri dari token penyusun.

Langkah-langkah remove stopword :

1. Baca tiap token dan cocokkan dengan kata pada daftar

stopword.

2. Hapus token jika cocok dengan kata pada daftar stopword.

Langkah-langkah stemming :

1. Baca tiap token dan cocokkan dengan kata pada daftar kamus kata dasar.

2. Jika token cocok dengan kata pada daftar kamus kata dasar, berarti token adalah root word..

3. Jika token tidak cocok dengan kata pada daftar kamus kata dasar, hapus akhiran dan awalan pada token.

4. Cocokkan hasil langkah 3 dengan kata pada daftar kamus kata dasar, jika tidak cocok, anggap token sebelum dikenai langkah 3 sebagai root word.

Langkah-langkah hapus noise tweet :

1. Menghapus url : menghapus kalimat yang berawalan “www”,

“http” atau “https” .

2. Menghapus username : menghapus kata yang berawalan tanda “@” misalnya @agung_gregorius.

32 3. Menghapus kata berawalan angka misalnya “30hari”.

4. Memangkas huruf sama berurutan misalnya “jalannn” menjadi “jalan”.

5. Menghapus angka, tanda baca, dan karakter selain huruf. 6. Menghapus noise lain yang ada dalam data seperti tanggal

penulisan tweet, tanda retweet, kata “view” dan “translation”,

serta penanda waktu penulisan tweet misalnya “hour”, “hours”,

“ago”.

Langkah-langkah sinonim kata :

1. Cari sinonim kata pada daftar kata sinonim.

2. Jika ditemukan, ganti kata awal dengan kata sinonim. 3. Jika tidak ditemukan, kata awal tidak diganti.

Langkah-langkah penanganan kata negasi :

1. Temukan kata tidak, bukan, atau tanpa.

2. Gabung kata tidak, bukan, atau tanpa dengan kata di belakang misalnya “tidak” “senang” menjadi “tidaksenang”.

3. Hapus kata yang telah digabung dengan kata tidak, bukan, atau tanpa.

Tahap Pembobotan

Pada tahap pembobotan, sistem akan merepresentasikan tweet sebagai

vector dengan nilai bobot masing-masing term. Perhitungan bobot term

33 Langkah-langkah pembobotan tf-idf :

1. Untuk setiap data tweet, lakukan langkah 2 – 4. 2. Hitung nilai tf masing-masing kata.

3. Hitung nilai idf masing-masing kata.

4. Hitung bobot tweet dengan mengalikan nilai tf dan idf.

Tahap Normalisasi

Pada tahap normalisasi, sistem akan menggunakan dua macam normalisasi yaitu z-score dan min-max. Dua macam normalisasi digunakan untuk mendapatkan metode yang lebih optimal pada penelitian ini. Nilai bobot term yang dinormalkan hanya bobot term yang dominan saja. Bobot dominan yaitu bobot yang bernilai lebih dari threshold tertentu.

Langkah-langkah normalisasi z-score :

1. Hitung nilai mean pada setiap tweet.

2. Hitung nilai standard deviation pada setiap tweet.

3. Hitung bobot baru. Bobot baru didapat dari bobot lama dikurangi rata-rata (mean) kemudian dibagi standard deviation

Langkah-langkah normalisasi min-max:

1. Temukan nilai min dan max pada setiap kata.

2. Hitung bobot baru. Bobot baru didapat dari bobot lama dikurangi nilai terkecil (min) kemudian dibagi dengan nilai

34 terbesar (max) dikurangi nilai terkecil (min). Jika nilai min sama dengan nilai max, bobot baru akan ditentukan bernilai 0,5.

Tahap Clustering

Pada tahap clustering, sistem akan mengelompokkan tweet ke dalam lima cluster yaitu cinta, sedih, senang, marah, dan takut. Setiap tweet akan dikelompokkan berdasarkan kemiripan atau kedekatan dengan centroid. Kemiripan antara tweet dengan centroid dihitung menggunakan metode

cosine similarity.

Algoritma K-Means clustering memiliki kelemahan yaitu jika pusat (centroid) awal cluster tidak baik maka hasil akhir pengelompokan juga tidak baik. Oleh karena itu, pada penelitian ini digunakan metode tambahan untuk menentukan centroid awal cluster. Centroid awal ditentukan dengan metode

variance initialization.

Langkah-langkah Variance Initialization:

1. Hitung nilai variance data pada setiap dimensi (kolom data). 2. Temukan kolom dengan nilai variance terbesar, kemudian sort

data.

3. Bagi keseluruhan data menjadi K bagian, K adalah jumlah

cluster.

4. Temukan median (nilai tengah) pada setiap bagian.

5. Gunakan vector data median setiap bagian sebagai centroid awal cluster.

35 Langkah-langkah K-Means Clustering:

1. Initialization: pilih K input vector data sebagai inisialisasi pusat cluster. Centroid awal cluster didapat dari tahap variance initialization.

2. Nearest-neighbor search: untuk setiap input vector, temukan

pusat cluster terdekat, dan masukkan input vector pada cluster terdekat. Kemiripan antara tweet dengan centroid dihitung menggunakan metode cosine similarity.

3. Mean update: update pusat cluster menggunakan rata-rata

(centroid) vector yang tergabung dalam setiap cluster.

4. Stopping rule: ulangi langkah 2 dan 3 sampai tidak ada

perubahan nilai rata-rata (mean).

Tahap Hitung Akurasi

Pada tahap hitung akurasi, sistem akan membandingkan label cluster hasil prediksi sistem dengan label cluster yang ditentukan penulis kemudian merepresentasikan ke dalam sebuah confusion matrix. Kemudian sistem akan menghitung akurasi sistem menggunakan confusion matrix.

Langkah-langkah Uji Akurasi:

1. Baca label aktual tweet berdasarkan hashtag yang diberikan penulis tweet.

36 3. Representasikan label aktual dan prediksi ke dalam confusion

matrix.

4. Hitung akurasi dengan cara membagi jumlah tweet yang tepat dikenali dengan jumlah seluruh data kemudian dikalikan dengan 100 %.

Tahap Uji Data Baru

Pada tahap uji data baru, sistem akan menentukan tweet baru masuk ke

cluster cinta, sedih, senang, marah, atau takut menggunakan centroid akhir

hasil pengujian sistem.

Langkah-langkah Uji Data Baru:

1. Masukkan data tweet baru

2. Tentukan centroid akhir tahap clustering sebagai penentu data baru termasuk cluster cinta, marah, sedih, senang, dan takut. 3. Lakukan tahap preprocessing, pembobotan dan normalisasi

sehingga didapat vector data tweet baru.

4. Hitung kemiripan data baru dengan lima centroid menggunakan metode cosine similarity.

5. Tentukan emosi tweet berdasarkan kedekatan atau kemiripan

37 3.3 Model Analisis

Pengumpulan Data Preprocessing Pembobotan tf-idf

Normalisasi _{K-Means Clustering} Hitung Akurasi

Gambar 3.6 Diagram Blok

3.3.1 Preprocessing

Tahap preprocessing meliputi tahap tokenizing, stopword

removal, dan stemming. Penjelasan tahap preprocessing adalah sebagai

berikut:

3.3.1.1 Tokenizing

Tokenizing bertujuan untuk memenggal kalimat tweet menjadi

tiap-tiap kata. Gambar-gambar di bawah menunjukkan contoh perlakuan tokenizing terhadap kalimat tweet cinta, marah, sedih, senang, dan takut.

38 Tokenizing tweet cinta

Cnta itu indah.. Seindah senyuman & candaan Cinta itu memeluk hati ke2 insan.. Menyatukan nya dalam 1 ikatan

 cnta itu indah seindah senyuman candaan cinta itu memeluk hati ke insan menyatukan nya dalam ikatan

Gambar 3.7 Tokenizing Tweet Cinta

Gambar 3.7 menunjukkan contoh kalimat tweet yang dikenai proses tokenizing. Kalimat tweet yang digunakan pada gambar di atas adalah tweet yang mengandung emosi cinta.

Tokenizing tweet marah

Huuhh ... Lagi2 dibuat marah sama si dia . punya kerjaan yg laen ap selain gangguin ak ? #Sebel #Jengkel !! PUASA

 huuhh lagi dibuat marah sama si dia punya kerjaan yg laen ap selain gangguin ak sebel jengkel puasa

Gambar 3.8 Tokenizing Tweet Marah

Gambar 3.8 menunjukkan contoh kalimat tweet yang dikenai proses tokenizing. Kalimat tweet yang digunakan pada gambar di atas adalah tweet yang mengandung emosi marah.

39 Tokenizing tweet sedih

Inilah saat terakhirku melihat passus, jatuh air mataku menangis pilu. Hanya mampu

ucapkan selamat jalan

passus,,, :'(

 inilah saat terakhirku melihat passus jatuh air mataku menangis pilu hanya mampu ucapkan selamat jalan passus

Gambar 3.9 Tokenizing Tweet Sedih

Gambar 3.9 menunjukkan contoh kalimat tweet yang dikenai proses tokenizing. Kalimat tweet yang digunakan pada gambar di atas adalah tweet yang mengandung emosi sedih.

Tokenizing tweet senang

Mempunyai Sahabat Seperti Dia Menyenangkan ^_^ ^_^ Bisa Bekerja Sama,Jalan Bersama,Dan Selalu Bahagia ^_^ ^_^

 mempunyai sahabat seperti dia menyenangkan bisa bekerja sama jalan bersama dan selalu bahagia

Gambar 3.10 Tokenizing Tweet Senang

Gambar 3.10 menunjukkan contoh kalimat tweet yang dikenai proses tokenizing. Kalimat tweet yang digunakan pada gambar di atas adalah tweet yang mengandung emosi senang.

40 Tokenizing tweet takut

dpat kbar kalau ad ank

kampus yg di

begal,astafirullah..jdi takut sndri kalau kluar mlm,..

 dpat kbar kalau ad ank kampus

yg di begal astafirullah jdi

takut

sndri kalau kluar mlm

Gambar 3.11 Tokenizing Tweet Takut

Gambar 3.11 menunjukkan contoh kalimat tweet yang dikenai proses tokenizing. Kalimat tweet yang digunakan pada gambar di atas adalah tweet yang mengandung emosi takut.

3.3.1.2 Stopword Removal

Stopword removal bertujuan untuk menghilangkan kata-kata

yang memiliki nilai kecil dalam membantu pemilihan dokumen yang sesuai dengan kebutuhan pengguna. Stopword removal dilakukan dengan cara mencocokkan tiap kata dalam dokumen dengan sebuah daftar stopword. Jika kata pada dokumen sama dengan kata yang ada pada daftar stopword, kata tersebut akan dihapus. Gambar-gambar di bawah menunjukkan contoh perlakuan stopword removal terhadap kalimat tweet cinta, marah, sedih, senang, dan takut.

41 Stopword removal tweet cinta

cnta itu indah seindah senyuman candaan cinta itu memeluk hati ke insan menyatukan nya dalam ikatan  cnta indah seindah senyuman candaan cinta memeluk hati insan menyatukan ikatan

Gambar 3.12 Stopword Removal Tweet Cinta

Gambar 3.12 menunjukkan contoh kalimat tweet yang dikenai proses stopword removal. Kalimat tweet yang digunakan pada gambar di atas adalah tweet yang mengandung emosi cinta.

Stopword removal tweet marah

huuhh lagi dibuat marah sama si dia punya kerjaan yg laen ap selain gangguin ak sebel jengkel puasa  marah sama kerjaan gangguin sebel jengkel puasa

Gambar 3.13 Stopword Removal Tweet Marah

Gambar 3.13 menunjukkan contoh kalimat tweet yang dikenai proses stopword removal. Kalimat tweet yang digunakan pada gambar di atas adalah tweet yang mengandung emosi marah.

42 Stopword removal tweet sedih

inilah saat terakhirku melihat passus jatuh air mataku menangis pilu hanya mampu ucapkan selamat jalan passus  terakhirku melihat passus jatuh air mataku menangis pilu ucapkan selamat jalan passus

Gambar 3.14 Stopword Removal Tweet Sedih

Gambar 3.14 menunjukkan contoh kalimat tweet yang dikenai proses stopword removal. Kalimat tweet yang digunakan pada gambar di atas adalah tweet yang mengandung emosi sedih.

Stopword removal tweet senang

sahabat seperti dia menyenangkan bisa bekerja sama jalan bersama dan selalu bahagia  sahabat menyenangkan bekerja sama jalan bersama bahagia

Gambar 3.15 Stopword Removal Tweet Senang

Gambar 3.15 menunjukkan contoh kalimat tweet yang dikenai proses stopword removal. Kalimat tweet yang digunakan pada gambar di atas adalah tweet yang mengandung emosi senang.

43 Stopword removal tweet takut

dpat kbar kalau ad ank kampus yg di begal astafirullah jdi takut sndri kalau kluar mlm  kbar ank kampus begal astafirullah takut sndri kluar mlm

Gambar 3.16 Stopword Removal Tweet Takut

Gambar 3.16 menunjukkan contoh kalimat tweet yang dikenai proses stopword removal. Kalimat tweet yang digunakan pada gambar di atas adalah tweet yang mengandung emosi takut.

3.3.1.3 Stemming

Stemming bertujuan untuk mengembalikan tiap kata dalam

dokumen menjadi kata dasar. Stemming dilakukan dengan menghilangkan awalan (prefiks) dan akhiran (sufiks). Gambar-gambar di bawah menunjukkan contoh perlakuan stemming terhadap kalimat

tweet cinta, marah, sedih, senang, dan takut.

Stemming tweet cinta

cnta indah seindah senyuman candaan cinta memeluk hati insan menyatukan dalam ikatan  cinta indah indah senyum canda cinta peluk hati insan satu ikat

44 Gambar 3.17 menunjukkan contoh kalimat tweet yang dikenai proses stemming. Kalimat tweet yang digunakan pada gambar di atas adalah tweet yang mengandung emosi cinta.

Stemming tweet marah

dibuat marah sama kerjaan gangguin sebel jengkel puasa  marah sama kerja ganggu sebal jengkel puasa

Gambar 3.18 Stemming Tweet Marah

Gambar 3.18 menunjukkan contoh kalimat tweet yang dikenai proses stemming. Kalimat tweet yang digunakan pada gambar di atas adalah tweet yang mengandung emosi marah.

Stemming tweet sedih

terakhirku melihat passus jatuh air mataku menangis pilu ucapkan selamat jalan passus  akhir lihat passus jatuh air mata tangis pilu ucap selamat jalan passus

Gambar 3.19 Stemming Tweet Sedih

Gambar 3.19 menunjukkan contoh kalimat tweet yang dikenai proses stemming. Kalimat tweet yang digunakan pada gambar di atas adalah tweet yang mengandung emosi sedih.

45 Stemming tweet senang

sahabat menyenangkan bekerja sama jalan bersama

bahagia 

sahabat senang kerja sama jalan sama bahagia

Gambar 3.20 Stemming Tweet Senang

Gambar 3.20 menunjukkan contoh kalimat tweet yang dikenai proses stemming. Kalimat tweet yang digunakan pada gambar di atas adalah tweet yang mengandung emosi senang.

Stemming tweet takut

kbar ank kampus begal astafirullah takut sndri kluar mlm  kabar anak kampus begal astagfirullah takut sendiri keluar malam

Gambar 3.21 Stemming Tweet Takut

Gambar 3.21 menunjukkan contoh kalimat tweet yang dikenai proses stemming. Kalimat tweet yang digunakan pada gambar di atas adalah tweet yang mengandung emosi takut.

46 3.3.1.4 Preprocessing Tambahan

Penghapusan Noise Tweet

Selain tahap tokenizing, stopword removal, dan stemming, data

tweet memerlukan beberapa preprocessing tambahan untuk

membersihkan data dari noise. Preprocessing tambahan meliputi menghapus link url, username, tanda retweet, dan beragam noise lain.

@riefianindita_ Tetes air mata basahi pipiku disaat kita kan berpisah

https://instagram.com/p/z1-sl9LJrF/



Tetes air mata basahi pipiku disaat kita kan berpisah

Gambar 3.22 Penghapusan Noise Tweet

Gambar 3.22 menunjukkan contoh kalimat tweet yang dikenai proses penghapusan noise. Username dan link url yang terdapat dalam

tweet dihapus melalui tahap ini.

Penggabungan Sinonim Kata

Kata-kata yang terdapat dalam kalimat tweet berasal dari banyak orang sehingga penulisan kata-kata tersebut sangat bervariasi. Kalimat

tweet dapat berisi kata tidak baku, kata yang disingkat, dan kata yang

dihilangkan beberapa huruf vokalnya. Oleh karena itu, proses penggabungan kata berdasarkan kesamaan arti perlu dilakukan. Penggabungan kata akan mengembalikan kata tidak baku atau kata yang disingkat ke bentuk baku. Tabel 3.1 dan tabel 3.2 menunjukkan

47 contoh penggabungan kata dan kaitannya dengan penghitungan term

frequency (tf).

Tabel 3.1 Kata Sebelum Penggabungan

kata tf

Sayang 1

Sang 1

sayank 1

takut 1

takutt 1

tkutt 1

Tabel 3.2 Kata Setelah Penggabungan

kata tf

sayang 3

takut 3

Tabel 3.1 menunjukkan kata sayang memiliki tiga variasi penulisan yaitu “sayang”, “syng”, dan “sayank”. Masing-masing variasi kata memiliki nilai tf = 1. Setelah proses penggabungan, kata “syng” dan “sayank” digabung dengan kata “sayang” sehingga kata “sayang” memiliki nilai tf = 3. Penghitungan nilai tf setelah penggabungan kata ditunjukkan pada Tabel 3.2.

Penanganan Kata Negasi

Pada pengelompokkan teks berdasarkan emosi, kata “tidak”, “tanpa”, dan “bukan” menjadi sangat berarti dan tidak boleh dihilangkan. Perlakuan data sebelum clustering sangat penting supaya data yang diolah benar-benar mewakili maksud dari sebuah dokumen.

48 Kata “tanpa cinta” dan “tidak senang” dapat menempatkan dokumen dalam cluster yang berbeda. Kata “tidak”, “tanpa”, dan “bukan” akan digabung dengan kata yang berada tepat di belakang.

Aku merasa tidak senang dengan hasil ujian tadi



Aku merasa tidaksenang dengan hasil ujian tadi

Gambar 3.23 Penanganan Kata Negasi

Gambar 3.23 menunjukkan contoh kalimat tweet yang dikenai proses penanganan negasi. Kata “tidak” dan “senang” digabung menjadi “tidaksenang”.

3.3.2 Pembobotan

Setelah melalui tahap preprocessing, data akan masuk ke tahap pembobotan. Pembobotan bertujuan untuk mendapatkan nilai bobot dari tiap kata. Langkah pertama yaitu menghitung nilai term frequency

(tf) tiap kata. Langkah kedua yaitu menghitung nilai document frequency (idf) tiap kata. Langkah ketiga yaitu menghitung inverse document frequency (idf). Langkah terakhir yaitu menghitung bobot

atau weight (w) dari hasil perkalian term frequency (tf) dengan inverse

document frequency (idf). Gambar-gambar di bawah menunjukkan

contoh pembobotan tf-idf terhadap kalimat tweet cinta, marah, sedih, senang, dan takut.

49 Hitung term frequency (tf) tweet cinta

cinta indah indah senyum canda cinta peluk hati insan satu ikat tf cinta=2 indah=2 senyum=1 canda=1 peluk=1 hati=1 insan=1 satu=1 ikat=1 Gambar 3.24 Hitung term frequency (tf) Tweet Cinta

Gambar 3.24 menunjukkan contoh perhitungan term frequency

(tf) pada kalimat tweet. Kalimat tweet yang digunakan pada gambar di

atas adalah tweet yang mengandung emosi cinta.

Hitung term frequency (tf) tweet marah

marah sama kerja ganggu sebal jengkel puasa tf marah=1 sama=1 kerja=1 ganggu=1 sebal=1 jengkel=1 puasa=1 Gambar 3.25 Hitung term frequency (tf) Tweet Marah

Gambar 3.25 menunjukkan contoh perhitungan term frequency

(tf) pada kalimat tweet. Kalimat tweet yang digunakan pada gambar di

50 Hitung term frequency (tf) tweet sedih

akhir lihat passus jatuh air mata tangis pilu ucap selamat jalan passus tf akhir=1 lihat=1 passus=2 jatuh=1 air=1 mata=1 tangis=1 pilu=1 ucap=1 selamat=1 jalan=1 Gambar 3.26 Hitung term frequency (tf) Tweet Sedih

Gambar 3.26 menunjukkan contoh perhitungan term frequency

(tf) pada kalimat tweet. Kalimat tweet yang digunakan pada gambar di

atas adalah tweet yang mengandung emosi sedih.

Hitung term frequency (tf) tweet senang

sahabat senang kerja sama jalan sama bahagia tf sahabat=1 senang=1 kerja=1 sama=1 jalan=1 bahagia=1 Gambar 3.27 Hitung term frequency (tf) Tweet Senang

Gambar 3.27 menunjukkan contoh perhitungan term frequency

(tf) pada kalimat tweet. Kalimat tweet yang digunakan pada gambar di

51 Hitung term frequency (tf) tweet takut

kabar

anak kampus

begal astagfirullah takut

sendiri keluar malam

tf kabar=1 anak=1 kampus=1 begal=1

astagfirullah=1 takut=1

sendiri=1 keluar=1 malam=1 Gambar 3.28 Hitung term frequency (tf) Tweet Takut

Gambar 3.28 menunjukkan contoh perhitungan term frequency

(tf) pada kalimat tweet. Kalimat tweet yang digunakan pada gambar di

52 Hitung document frequency (df)

Tabel 3.3 Hitung document frequency (df)

ID kata df ID kata df

1 cinta 1 21 air 1

2 indah 1 22 mata 1

3 senyum 1 23 tangis 1

4 canda 1 24 pilu 1

5 peluk 1 25 ucap 1

6 hati 1 26 selamat 1

7 insan 1 27 jalan 2

8 satu 1 28 sahabat 1

9 ikat 1 29 senang 1

10 marah 1 30 bahagia 1

11 sama 2 31 kabar 1

12 kerja 2 32 anak 1

13 ganggu 1 33 kampus 1

14 sebal 1 34 begal 1

15 jengkel 1 35 astagfirullah 1

16 puasa 1 36 takut 1

17 akhir 1 37 sendiri 1

18 lihat 1 38 keluar 1

19 passus 1 39 malam 1

20 jatuh 1

Tabel 3.3 menunjukkan contoh perhitungan document frequency

53 Hitung inverse document frequency (idf)

Tabel 3.4 Hitung inverse document frequency (idf)

ID kata df Idf ID kata df idf

1 cinta 1 0,6989700043 21 air 1 0,6989700043

2 indah 1 0,6989700043 22 mata 1 0,6989700043

3 senyum 1 0,6989700043 23 tangis 1 0,6989700043

4 canda 1 0,6989700043 24 pilu 1 0,6989700043

5 peluk 1 0,6989700043 25 ucap 1 0,6989700043

6 hati 1 0,6989700043 26 selamat 1 0,6989700043

7 insan 1 0,6989700043 27 jalan 2 0,3979400087

8 satu 1 0,6989700043 28 sahabat 1 0,6989700043

9 ikat 1 0,6989700043 29 senang 1 0,6989700043

10 marah 1 0,6989700043 30 bahagia 1 0,6989700043

11 sama 2 0,3979400087 31 kabar 1 0,6989700043

12 kerja 2 0,3979400087 32 anak 1 0,6989700043

13 ganggu 1 0,6989700043 33 kampus 1 0,6989700043

14 sebal 1 0,6989700043 34 begal 1 0,6989700043

15 jengkel 1 0,6989700043 35 astagfirullah 1 0,6989700043

16 puasa 1 0,6989700043 36 takut 1 0,6989700043

17 akhir 1 0,6989700043 37 sendiri 1 0,6989700043

18 lihat 1 0,6989700043 38 keluar 1 0,6989700043

19 passus 1 0,6989700043 39 malam 1 0,6989700043

20 jatuh 1 0,6989700043

Tabel 3.4 menunjukkan contoh perhitungan inverse document

frequency (idf) semua kata yang ada dalam dokumen.

Hitung weight (w)

Nilai bobot atau weight (w) didapat dari hasil perkalian term

frequency (tf) dengan inverse document frequency (idf). Tabel di bawah

54 Hitung weight (w) tweet cinta

Tabel 3.5 Hitung weight (w) Tweet Cinta

kata tf idf w

Cinta 2 0,6989700043 1,397940009

indah 2 0,6989700043 1,397940009

senyum 1 0,6989700043 0,6989700043

canda 1 0,6989700043 0,6989700043

peluk 1 0,6989700043 0,6989700043

Hati 1 0,6989700043 0,6989700043

insan 1 0,6989700043 0,6989700043

Satu 1 0,6989700043 0,6989700043

Ikat 1 0,6989700043 0,6989700043

Tabel 3.5 menunjukkan contoh perhitungan bobot pada kalimat

tweet. Kalimat tweet yang digunakan pada tabel di atas adalah tweet

yang mengandung emosi cinta.

Hitung weight (w) tweet marah

Tabel 3.6 Hitung weight (w) Tweet Marah

kata tf idf w

marah 1 0,6989700043 0,6989700043

sama 1 0,3979400087 0,3979400087

kerja 1 0,3979400087 0,3979400087

ganggu 1 0,6989700043 0,6989700043

sebal 1 0,6989700043 0,6989700043

jengkel 1 0,6989700043 0,6989700043

puasa 1 0,6989700043 0,6989700043

Tabel 3.6 menunjukkan contoh perhitungan bobot pada kalimat

tweet. Kalimat tweet yang digunakan pada tabel di atas adalah tweet

151

import java.io.IOException;

import java.util.ArrayList;

import java.util.Arrays;

import java.util.LinkedHashMap;

public class Test {

public static void main(String[] args) throws FileNotFoundException, IOException {

int k = 5;

int minFreq = 3;

boolean zscore = false;

boolean minmax = true;

int n = 5;

System.out.print("Tokenizing : ");

Tokenizing t = new Tokenizing("test/test.txt");

LinkedHashMap<Integer, ArrayList<String>> tweets = t.getAllToken(1);

LinkedHashMap<Integer, ArrayList<String>> tweetsMap = t.getAllToken(1);

System.out.println("done");

for (int key : tweetsMap.keySet()) {

System.out.println("\t" + key + " " + tweetsMap.get(key));

}

System.out.println("\t" + "Size = " + tweetsMap.size());

System.out.println("");

System.out.print("Removing Stopwords : ");

RemoveStopword removeStopword = new RemoveStopword("stopwords.txt");

removeStopword.setWordsHashMap(tweetsMap);

tweetsMap = removeStopword.getWordsHashMap();

System.out.println("done");

for (int key : tweetsMap.keySet()) {

152

}

System.out.println("\t" + "Size = " + tweetsMap.size());

System.out.println("");

System.out.print("Stemming : ");

Stemming stemming = new Stemming("dictionary.txt", "synonym.txt");

tweetsMap = stemming.stem(tweetsMap);

System.out.println("done");

for (int key : tweetsMap.keySet()) {

System.out.println("\t" + key + " " + tweetsMap.get(key));

}

System.out.println("\t" + "Size = " + tweetsMap.size());

System.out.println("");

System.out.print("Negation Handling : ");

NegationHandling negation = new NegationHandling();

tweetsMap = negation.negationHandling(tweetsMap);

System.out.println("done");

for (int key : tweetsMap.keySet()) {

System.out.println("\t" + key + " " + tweetsMap.get(key));

}

System.out.println("\t" + "Size = " + tweetsMap.size());

System.out.println("");

System.out.print("Counting Terms Freq : ");

ArrayList<String> words = new ArrayList<>();

for (int key : tweetsMap.keySet()) {

words.addAll(tweetsMap.get(key));

}

WordFreq.Word[] wordFreq = new WordFreq().getFreqWords(words);

LinkedHashMap<String, Integer> wordsCount = new LinkedHashMap<>();

153

wordsCount.put(w.getWord(), w.getCount());

}

System.out.println("done");

for (String key : wordsCount.keySet()) {

System.out.println("\t" + key + " " + wordsCount.get(key));

}

System.out.println("");

CSV csv = new CSV();

LinkedHashMap<String, Integer> freq = csv.readFreqFromCSV("freq.csv");

ArrayList<String> terms = new ArrayList<>(freq.keySet());

System.out.print("Forming Document Vector : ");

TfIdf tfIdf = new TfIdf();

LinkedHashMap<Integer, double[]> feature = tfIdf.tfIdfCalculator(tweetsMap, terms);

System.out.println("done");

for (int key : feature.keySet()) {

System.out.println("\t" + key + " " + Arrays.toString(feature.get(key)));

}

System.out.println("");

Normalization norm = new Normalization();

if (zscore) {

System.out.print("ZScore : ");

feature = norm.ZScore(feature, n);

System.out.println("done");

// for (int key : features.keySet()) {

// System.out.println("\t" + key + " | " + Arrays.toString(features.get(key)));

// }

System.out.println("");

154

if (minmax) {

System.out.print("MinMax : ");

feature = norm.MinMax(feature, n);

System.out.println("done");

// for (int key : features.keySet()) {

// System.out.println("\t" + key + " | " + Arrays.toString(features.get(key)));

// }

System.out.println("");

}

ArrayList<Integer> index = new ArrayList<>();

for (String key : freq.keySet()) {

if (freq.get(key) >= minFreq) {

index.add(terms.indexOf(key));

}

}

LinkedHashMap<Integer, double[]> temp = new LinkedHashMap<>(feature);

feature.clear();

for (int key : temp.keySet()) {

double[] d = new double[index.size()];

int i = 0;

for (int ind : index) {

d[i] = temp.get(key)[ind];

i++;

}

feature.put(key, d);

}

LinkedHashMap<Integer, double[]> outputCent = csv.readFeaturesFromCSV("centroid.csv");

double[] cosSim = new double[k];

155

for (int c : outputCent.keySet()) {

double csim = new Distance().cosineSimilarity(feature.get(1), outputCent.get(c));

cosSim[i] = csim;

i++;

}

int indx = 0;

for (int j = 1; j < cosSim.length; j++) {

if (cosSim[j] > cosSim[indx]) {

indx = j;

}

}

String cluster = "";

int check = indx + 1;

switch (check) {

case 1:

cluster = "cinta";

break;

case 2:

cluster = "marah";

break;

case 3:

cluster = "sedih";

break;

case 4:

cluster = "senang";

break;

case 5:

cluster = "takut";

break;

}

System.out.println("Result :");

156

System.out.println("\tCluster = " + cluster);

}