PEMBANGUNAN TWEET AGGREGATOR DENGAN MENGGUNAKAN METODE NAÏVE BAYES.
Rany Kasman, 2015
PEMBANGUNAN TWEET AGGREGATOR DENGAN MENGGUNAKAN METODE NAÏVE BAYES
Universitas Pendidikan Indonesia | \.upi.edu perpustakaan.upi.edu
PEMBANGUNAN TWEET AGGREGATOR DENGAN MENGGUNAKAN METODE NAÏVE BAYES
SKRIPSI
Diajukan untuk memenuhi bagian dari syarat memperoleh gelar Sarjana Komputer
Departemen Pendidikan Ilmu Komputer
oleh Rany Kasman
0905544
DEPARTEMEN PENDIDIKAN ILMU KOMPUTER
FAKULTAS PENDIDIKAN MATEMATIKA DAN ILMU PENGETAHUAN ALAM UNIVERSITAS PENDIDIKAN INDONESIA
(2)
Rany Kasman, 2015
PEMBANGUNAN TWEET AGGREGATOR DENGAN MENGGUNAKAN METODE NAÏVE BAYES
Universitas Pendidikan Indonesia | \.upi.edu perpustakaan.upi.edu
(3)
Rany Kasman, 2015
PEMBANGUNAN TWEET AGGREGATOR DENGAN MENGGUNAKAN METODE NAÏVE BAYES
Universitas Pendidikan Indonesia | \.upi.edu perpustakaan.upi.edu
PEMBANGUNAN TWEET AGGREGATOR DENGAN MENGGUNAKAN METODE NAÏVE BAYES
oleh Rany Kasman
Sebuah skripsi yang diajukan untuk memenuhi salah satu syarat memperoleh gelar Sarjana pada Fakultas Pendidikan Matematika dan Ilmu Pengetahuan Alam
©Rany Kasman 2015 Universitas Pendidikan Indonesia
November 2015
Hak cipta dilindungi Undang-Undang
Skripsi ini tidak boleh diperbanyak seluruhnya atau sebagian, dengan dicetak ulang, difoto kopi, atau cara lainnya tanpa ijin dari penulis.
(4)
Rany Kasman, 2015
PEMBANGUNAN TWEET AGGREGATOR DENGAN MENGGUNAKAN METODE NAÏVE BAYES
Universitas Pendidikan Indonesia | \.upi.edu perpustakaan.upi.edu
PEMBANGUNAN TWEET AGGREGATOR DENGAN MENGGUNAKAN METODE NAÏVE BAYES
oleh Rany Kasman
0905544
Disetujui dan Disahkan oleh: Pembimbing I
Yudi Wibisono, M.T. NIP. 197507072003121003
Pembimbing II
Herbert Siregar, M.T. NIP. 19700502200812100
Mengetahui, Ketua Program Studi
Ilmu Komputer
Eddy Prasetyo Nugroho, M.T. NIP. 19750515200801101
Ketua Departemen Pendidikan Ilmu Komputer
Prof. Dr. H. Munir, M.I.T NIP. 1966052520011210
(5)
Rany Kasman, 2015
PEMBANGUNAN TWEET AGGREGATOR DENGAN MENGGUNAKAN METODE NAÏVE BAYES
(6)
Rany Kasman, 2015
PEMBANGUNAN TWEET AGGREGATOR DENGAN MENGGUNAKAN METODE NAÏVE BAYES
Universitas Pendidikan Indonesia | \.upi.edu perpustakaan.upi.edu
ABSTRAK
Konsumsi informasi berita yang semakin tinggi telah menjadi kebutuhan vital bagi masyarakat. Hal ini berdampak pada cepatnya perkembangan lalu lintas informasi di tengah masyarakat. Salah satu sumber informasi yang berperan penting dalam penyebaran berita adalah tweet yang dikirimkan melalui media sosial Twitter. Dengan banyaknya informasi yang beredar melalui tweet tentunya akan menyulitkan pembaca untuk mengetahui informasi berita spesifik yang tersebar. Pada penelitian ini penulis terfokus pada pengklasifikasian informasi berita ke dalam kategori berita dengan sumber data tweet. Teknik yang digunakan adalah algoritma Naïve Bayes dengan dua tahap klasifikasi. Tahap pertama digunakan untuk memisahkan antara tweet berita dan tweet bukan berita. Sedangkan tahap kedua digunakan untuk memisahkan tweet berita tersebut ke dalam kategori berita yang telah disiapkan. Hasil klasifikasi pada tahap pertama menghasilkan akurasi sebesar 77,35%, sedangkan hasil klasifikasi pada tahap kedua menghasilkan akurasi sebesar 61,21%. Tweet yang telah terkelompok di masing-masing kategori ditampilkan pada dashboard user untuk memudahkan pengguna dalam mengakses informasi berita. Dari penelitian ini menunjukkan bahwa algoritma Naïve Bayes layak digunakan untuk pengklasifikasian informasi berita dengan sumber data tweet berbahasa Indonesia.
(7)
Rany Kasman, 2015
PEMBANGUNAN TWEET AGGREGATOR DENGAN MENGGUNAKAN METODE NAÏVE BAYES
Universitas Pendidikan Indonesia | \.upi.edu perpustakaan.upi.edu
ABSTRACT
As the increase of news consumption has become a vital necessity of society. This condition affects on the rapid growth of information traffic in the community. One of information source that plays an important role in dissemination of news is tweet that sent via Twitter. With the amount of information circulating through Twitter will certainly make it difficult for readers to know the specific information that scattered. In this research author focused on the classification of news information into several categories with tweets as the data source. Author used Naïve Bayes algorithm with two-stage classifications. The first stage is used to separate tweets as news and non-news, while the second one is used to separate news tweets into categories that have been prepared. The result of the first stage shows the classification accuracy of 77,35%, while the second stage shows the classification accuracy of 61,21%. Tweets that have been classified in each category will displayed on user dashboard and allow user to access the news information comfortably. This research pointed that Naïve Bayes algorithm can be used for the classification of news information with tweets in Bahasa as the data source.
(8)
Rany Kasman, 2015
PEMBANGUNAN TWEET AGGREGATOR DENGAN MENGGUNAKAN METODE NAÏVE BAYES
Universitas Pendidikan Indonesia | \.upi.edu perpustakaan.upi.edu
DAFTAR ISI
PERNYATAAN ... Error! Bookmark not defined. KATA PENGANTAR ... Error! Bookmark not defined. UCAPAN TERIMA KASIH ... Error! Bookmark not defined. ABSTRAK ... Error! Bookmark not defined. ABSTRACT ... Error! Bookmark not defined.
DAFTAR ISI ... vii
DAFTAR TABEL ... x
DAFTAR GAMBAR ... xii
DAFTAR LAMPIRAN ... xiv BAB I PENDAHULUAN ... Error! Bookmark not defined. 1.1 Latar Belakang ... Error! Bookmark not defined. 1.2 Identifikasi Masalah ... Error! Bookmark not defined. 1.3 Batasan Masalah ... Error! Bookmark not defined. 1.4 Tujuan Penelitian ... Error! Bookmark not defined. 1.5 Manfaat Penelitian ... Error! Bookmark not defined. 1.6 Sistematika Penulisan ... Error! Bookmark not defined. BAB II TINJAUAN PUSTAKA ... Error! Bookmark not defined. 2.1 News Aggregator ... Error! Bookmark not defined. 2.1.1. Google News (news.google.com) .... Error! Bookmark not defined. 2.1.2. Techmeme (www.techmeme.com) .. Error! Bookmark not defined. 2.2 Text Mining ... Error! Bookmark not defined. 2.3.1. Text Classification ... Error! Bookmark not defined.
(9)
Rany Kasman, 2015
PEMBANGUNAN TWEET AGGREGATOR DENGAN MENGGUNAKAN METODE NAÏVE BAYES
Universitas Pendidikan Indonesia | \.upi.edu perpustakaan.upi.edu
2.3.2. Naïve Bayes ... Error! Bookmark not defined. 2.3.3. Evaluasi dan Validasi Klasifikasi... Error! Bookmark not defined. 2.3 Imbalanced Dataset ... Error! Bookmark not defined. 2.4 Twitter ... Error! Bookmark not defined. 2.5.1. Twitter API ... Error! Bookmark not defined. BAB III METODOLOGI PENELITIAN ... Error! Bookmark not defined. 3.1 Desain Penelitian ... Error! Bookmark not defined. 3.2 Metode Penelitian ... Error! Bookmark not defined. 3.2.1. Proses Pengumpulan Data ... Error! Bookmark not defined. 3.2.2. Proses Pengembangan Perangkat LunakError! Bookmark not defined.
3.3 Alat dan Bahan Penelitian ... Error! Bookmark not defined. 3.3.1. Alat Penelitian ... Error! Bookmark not defined. 3.3.2. Bahan Penelitian... Error! Bookmark not defined. BAB IV HASIL PENELITIAN DAN PEMBAHASANError! Bookmark not defined.
4.1 Pengembangan Perangkat Lunak ... Error! Bookmark not defined. 4.1.1. Analisis Kebutuhan Perangkat LunakError! Bookmark not defined.
4.1.2. Perancangan ... Error! Bookmark not defined. 4.1.3. Implementasi ... Error! Bookmark not defined. 4.1.4. Pengujian ... Error! Bookmark not defined. 4.2 Pembahasan Eksperimen ... Error! Bookmark not defined. 4.2.1 Pengumpulan Data ... Error! Bookmark not defined. 4.2.2 Pelabelan Data ... Error! Bookmark not defined. 4.2.3 Preprocessing ... Error! Bookmark not defined.
(10)
Rany Kasman, 2015
PEMBANGUNAN TWEET AGGREGATOR DENGAN MENGGUNAKAN METODE NAÏVE BAYES
Universitas Pendidikan Indonesia | \.upi.edu perpustakaan.upi.edu
4.2.4 Feature Selection ... Error! Bookmark not defined. 4.2.5 Text Classification ... Error! Bookmark not defined. 4.2.6 Evaluasi dan Validasi ... Error! Bookmark not defined. 4.2.7 Analisa Hasil Uji ... Error! Bookmark not defined. 4.3 Eksperimen ... Error! Bookmark not defined. 4.4 Hasil Eksperimen ... Error! Bookmark not defined. 4.4.1. Klasifikasi Tahap Pertama ... Error! Bookmark not defined. 4.4.2. Klasifikasi Tahap Kedua ... Error! Bookmark not defined. 4.5 Hasil Penilaian Kuesioner ... Error! Bookmark not defined. 4.6 Pembahasan Hasil Eksperimen... Error! Bookmark not defined. 4.7 Pembahasan Hasil Penilaian Kuesioner .. Error! Bookmark not defined. BAB V KESIMPULAN DAN SARAN ... Error! Bookmark not defined. 5.1 Kesimpulan ... Error! Bookmark not defined. 5.2 Saran ... Error! Bookmark not defined. DAFTAR PUSTAKA ... Error! Bookmark not defined. LAMPIRAN ... Error! Bookmark not defined. Lampiran 1. Daftar Stopwords ... Error! Bookmark not defined. Lampiran 2. Daftar Sinonim ... Error! Bookmark not defined. Lampiran 3. Daftar Sinonim Spesial ... Error! Bookmark not defined. Lampiran 4. Contoh Tweet pelabelan Tahap 1 (200 data)Error! Bookmark not defined.
Lampiran 5. Contoh Tweet pelabelan Tahap 2 (200 data)Error! Bookmark not defined.
Lampiran 6. Kuesioner ... Error! Bookmark not defined. RIWAYAT HIDUP ... Error! Bookmark not defined.
(11)
[Type text]
DAFTAR TABEL
Tabel 2.1 Contoh Dataset ... Error! Bookmark not defined. Tabel 2.2 Hasil Perhitungan TF ... Error! Bookmark not defined. Tabel 2.3 Hasil Perhitungan TF dan IDF ... Error! Bookmark not defined. Tabel 2.4 Hasil Perhitungan TF-IDF ... Error! Bookmark not defined. Tabel 4.1 Pelaksanaan Pengujian Black Box... Error! Bookmark not defined. Tabel 4.2 Daftar User Dengan Bidang Kompetensi Politik dan Hukum ... Error! Bookmark not defined.
Tabel 4.3 Daftar User dengan Bidang Kompetensi BisnisError! Bookmark not defined.
Tabel 4.4 Daftar User dengan Bidang Kompetensi EkonomiError! Bookmark not defined.
Tabel 4.5 Daftar User dengan Bidang Kompetensi AgamaError! Bookmark not defined.
Tabel 4.6 Daftar User dengan Bidang Kompetensi TeknologiError! Bookmark not defined.
Tabel 4.7 Daftar User dengan Bidang Kompetensi PendidikanError! Bookmark not defined.
Tabel 4.8 Daftar User dengan Bidang Kompetensi OlahragaError! Bookmark not defined.
Tabel 4.9 Daftar User dengan Bidang Kompetensi HiburanError! Bookmark not defined.
Tabel 4.10 Daftar Wartawan ... Error! Bookmark not defined. Tabel 4.11 Contoh Tweet yang Terkumpul ... Error! Bookmark not defined. Tabel 4.12 Identitas Responden ... Error! Bookmark not defined. Tabel 4.13 Contoh Hasil Pelabelan Tweet pada Tahap PertamaError! Bookmark not defined.
Tabel 4.14 Contoh Hasil Pelabelan Tweet pada Tahap KeduaError! Bookmark not defined.
Tabel 4.15 Hasil Preprocessing ... Error! Bookmark not defined. Tabel 4.16 Contoh Hasil Pembobotan TF–IDF ... Error! Bookmark not defined.
(12)
Rany Kasman, 2015
PEMBANGUNAN TWEET AGGREGATOR DENGAN MENGGUNAKAN METODE NAÏVE BAYES
Universitas Pendidikan Indonesia | \.upi.edu perpustakaan.upi.edu
Tabel 4.17 Hasil Perhitungan Klasifikasi ... Error! Bookmark not defined. Tabel 4.18 Contoh Hasil Postprocessing ... Error! Bookmark not defined. Tabel 4.19 Hasil Akurasi Klasifikasi Tahap PertamaError! Bookmark not defined.
Tabel 4.20 Contoh Hasil Klasifikasi Tahap PertamaError! Bookmark not defined.
Tabel 4.21 Hasil Akurasi Klasifikasi Tahap KeduaError! Bookmark not defined.
Tabel 4.22 Contoh Hasil Klasifikasi Tahap Kedua Error! Bookmark not defined. Tabel 4.23 Hasil Klasifikasi Tahap Kedua ... Error! Bookmark not defined. Tabel 4.24 Precision dan Recall Klasifikasi Tahap KeduaError! Bookmark not defined.
Tabel 4.25 Hasil Jawaban Kuesioner ... Error! Bookmark not defined. Tabel 4.26 Hasil Perhitungan Likert Pertanyaan PertamaError! Bookmark not defined.
Tabel 4.27 Hasil Perhitungan Likert Pertanyaan KeduaError! Bookmark not defined.
Tabel 4.28 Hasil Perhitungan Likert Pertanyaan KetigaError! Bookmark not defined.
Tabel 4.29 Hasil Perhitungan Likert Pertanyaan KeempatError! Bookmark not defined.
Tabel 4.30 Hasil Perhitungan Likert Pertanyaan KelimaError! Bookmark not defined.
Tabel 4.31 Hasil Perhitungan Likert Pertanyaan KeenamError! Bookmark not defined.
Tabel 4.32 Hasil Perhitungan Likert Pertanyaan KetujuhError! Bookmark not defined.
(13)
[Type text]
DAFTAR GAMBAR
Gambar 2.1 Halaman Depan Google News ... Error! Bookmark not defined. Gambar 2.2 Sumber Berita Google News ... Error! Bookmark not defined. Gambar 2.3 Halaman Depan Techmeme ... Error! Bookmark not defined. Gambar 2.4 Arsitektur Text Mining ... Error! Bookmark not defined. Gambar 2.5 Timeline Twitter ... Error! Bookmark not defined. Gambar 3.1 Desain Penelitian ... Error! Bookmark not defined. Gambar 3.2 Linear Sequential Model ... Error! Bookmark not defined. Gambar 4.1 Rancangan Aplikasi Tweet AggregatorError! Bookmark not defined.
Gambar 4.2 Use Case Aplikasi ... Error! Bookmark not defined. Gambar 4.3 Rancangan Basis Data Aplikasi ... Error! Bookmark not defined. Gambar 4.4 Rancangan Antar Muka Hasil KlasifikasiError! Bookmark not defined.
Gambar 4.5 Rancangan Bagian Header ... Error! Bookmark not defined. Gambar 4.6 Rancangan Bagian Daftar Kategori BeritaError! Bookmark not defined.
Gambar 4.7 Rancangan Bagian Daftar Tweet BeritaError! Bookmark not defined.
Gambar 4.8 Rancangan Antar Muka Halaman PreprocessingError! Bookmark not defined.
Gambar 4.9 Rancangan Antar Muka Halaman Hasil PelabelanError! Bookmark not defined.
Gambar 4.10 Rancangan Antar Muka Halaman DatasetsError! Bookmark not defined.
Gambar 4.11 Tampilan Dashboard Tweet AggregatorError! Bookmark not defined.
Gambar 4.12 Tampilan Cloudword... Error! Bookmark not defined. Gambar 4.13 Tampilan Menu Preprocessing ... Error! Bookmark not defined. Gambar 4.14 Tampilan Halaman Labeled Tweets . Error! Bookmark not defined. Gambar 4.15 Tampilan Menu Tweets ... Error! Bookmark not defined.
(14)
Rany Kasman, 2015
PEMBANGUNAN TWEET AGGREGATOR DENGAN MENGGUNAKAN METODE NAÏVE BAYES
Universitas Pendidikan Indonesia | \.upi.edu perpustakaan.upi.edu
Gambar 4.16 Tampilan Menu Pelabelan Tweet ... Error! Bookmark not defined.
Gambar 4.17 Diagram Hasil Klasifikasi Kelas ‘Relevan’Error! Bookmark not
defined.
Gambar 4.18 Diagram Hasil Klasifikasi Kelas Tidak RelevanError! Bookmark not defined.
Gambar 4.19 Diagram Hasil Klasifikasi Kelas ‘Politik dan Hukum’ ... Error! Bookmark not defined.
Gambar 4.20 Diagram Hasil Klasifikasi Kelas ‘Bisnis’Error! Bookmark not
defined.
Gambar 4.21 Diagram Hasil Klasifikasi Kelas ‘Ekonomi’Error! Bookmark not
defined.
Gambar 4.22 Diagram Hasil Klasifikasi Kelas ‘Agama’Error! Bookmark not
defined.
Gambar 4.23 Diagram Hasil Klasifikasi Kelas ‘Teknologi’Error! Bookmark not defined.
Gambar 4.24 Diagram Hasil Klasifikasi Kelas ‘Kenegaraan’Error! Bookmark
not defined.
Gambar 4.25 Diagram Hasil Klasifikasi Kelas ‘Internasional’Error! Bookmark
not defined.
Gambar 4.26 Diagram Hasil Klasifikasi Kelas ‘Pendidikan’Error! Bookmark not defined.
Gambar 4.27 Diagram Hasil Klasifikasi Kelas ‘Kesehatan’Error! Bookmark not defined.
Gambar 4.28 Diagram Hasil Klasifikasi Kelas ‘Olahraga’Error! Bookmark not defined.
Gambar 4.29 Diagram Hasil Klasifikasi Kelas ‘Hiburan’Error! Bookmark not
(15)
xiv
DAFTAR LAMPIRAN
Lampiran 1. Daftar Stopwords ... Error! Bookmark not defined. Lampiran 2. Daftar Sinonim ... Error! Bookmark not defined. Lampiran 3. Daftar Sinonim Spesial ... Error! Bookmark not defined. Lampiran 4. Contoh Tweet pelabelan Tahap 1 (200 data)Error! Bookmark not defined.
Lampiran 5. Contoh Tweet pelabelan Tahap 2 (200 data)Error! Bookmark not defined.
(16)
1
Rany Kasman, 2015
PEMBANGUNAN TWEET AGGREGATOR DENGAN MENGGUNAKAN METODE NAÏVE BAYES
Universitas Pendidikan Indonesia | \.upi.edu perpustakaan.upi.edu
BAB I
PENDAHULUAN
Dalam bab ini akan dibahas latar belakang dilaksanakannya penelitian, identifikasi masalah, batasan masalah, tujuan penelitian, manfaat penelitian, dan sistematika penulisan.
Latar Belakang
Seiring dengan pesatnya perkembangan zaman, kebutuhan informasi di tengah masyarakat juga mulai berkembang. Masyarakat tidak lagi mengkonsumsi informasi sebagai kebutuhan semu yang sesaat, namun telah menjadikan informasi tersebut sebagai kebutuhan kontinyu dan rutin. Berbagai kebutuhan informasi dimulai dari informasi dunia politik, hukum, ekonomi, bisnis, sampai hiburan telah menjadi konsumsi vital bagi masyarakat. Semakin tingginya kebutuhan akan informasi juga akan berdampak pada tingkat peredaran informasi tersebut di tengah masyarakat.
Perkembangan lalu lintas informasi yang semakin cepat di tengah masyarakat tentunya tidak terlepas dari peranan media informasi. Dengan adanya media informasi online banyak membantu masyarakat untuk mengetahui informasi yang beredar dengan mudah. Informasi ini ditampung dan ditampilkan dalam suatu website berita untuk kemudian diakses oleh pengguna secara online. Namun dengan karakteristik dari website berita yang hanya menampilkan kumpulan berita secara tidak terorganisir akan menyulitkan pengguna untuk mengetahui berita yang diinginkan pada suatu kategori tertentu dan akan sangat tidak praktis jika pengguna harus membaca semua berita untuk mendapatkan berita yang diinginkan.
News aggregator dibentuk untuk mengurangi usaha dan waktu dari pengguna untuk mengetahui berita yang diinginkannya. News aggregator ini mengumpulkan berita dari berbagai sumber atau website berita ke dalam satu halaman website dan mengelompokkannya ke dalam beberapa kategori berita.
(17)
2
Rany Kasman, 2015
PEMBANGUNAN TWEET AGGREGATOR DENGAN MENGGUNAKAN METODE NAÏVE BAYES
Universitas Pendidikan Indonesia | \.upi.edu perpustakaan.upi.edu
Sudah terdapat banyak news aggregator yang dapat diakses saat ini, diantaranya adalah Google News yang dapat diakses pada tautan https://news.google.com/ dan TechMeme yang dapat diakses pada tautan https://techmeme.com/. Google News mengumpukan berita-berita terbaru yang berasal dari berbagai website berita dan mengelompokkannya ke dalam kategori berita tertentu. Sedangkan TechMeme lebih terpusat pada topik mengenai teknologi dan mengumpulkan berita teknologi pada satu website portal TechMeme.
Sumber berita tentunya tidak hanya terfokus pada berita yang telah diliput oleh wartawan dan ditampilkan pada website berita. Banyak informasi berguna yang tersebar secara cepat di media sosial. Wicaksono, seorang jurnalis beritagar.id pada meet up class “Peran Social Media dalam Diseminasi Berita” di Social Media Week (SMW) di Pacific Place, Jakarta pada Selasa (24 Februari 2015) mengatakan bahwa bahwa 8 dari 10 wartawan Indonesia mendapatkan ide berita dari media sosial. Berita yang diperoleh wartawan dari media sosial itulah yang kemudian dipublikasikan pada media informasi. Salah satu media sosial yang memegang peranan penting dalam penyebaran informasi adalah Twitter.
Twitter merupakan salah satu media sosial yang populer dan banyak digunakan saat ini. Twitter memungkinkan pengguna untuk terhubung dengan orang-orang di seluruh dunia dan saling bertukar pesan maupun buah pemikiran. Twitter memungkinkan penggunanya untuk mengirim dan membaca pesan dengan panjang sebanyak 140 karakter dan ditampilkan pada halaman profil pengguna. Pesan ini dinamakan tweet atau kicauan. Tweet dapat berupa pesan teks, gambar, video, maupun pesan atau media yang berasal dari link eksternal lainnya.
Twitter dapat diakses menggunakan perangkat komputer atau mobile dengan memanfaatkan layanan internet. Pengguna dapat mengakses Twitter dengan membuka langsung website resmi Twitter pada tautan berikut ini https://twitter.com/ dan langsung memanfaatkan semua fitur umum Twitter yang tersedia. Selain itu pengguna juga dapat mengakses Twitter melalui aplikasi third-party twitter client seperti TweetDeck, Hootsuite, Tweetbot, dan lain sebagainya. Third-party twitter client berisi semua fitur umum Twitter serta fitur tambahan
(18)
3
Rany Kasman, 2015
PEMBANGUNAN TWEET AGGREGATOR DENGAN MENGGUNAKAN METODE NAÏVE BAYES
Universitas Pendidikan Indonesia | \.upi.edu perpustakaan.upi.edu
seperti multiple account, penjadwalan pengiriman tweet, pengaturan user interface, pengaturan navigasi yang lebih mudah, dan lainnya. Twitter juga memungkinkan pengguna untuk mengirim tweet melalui Short Message Service (SMS).
Kemudahan yang ditawarkan oleh Twitter menarik banyak pengguna dari berbagai kalangan dan jumlah penggunanya bertambah setiap harinya. Hal ini tentunya akan berbanding lurus dengan tingkat penyebaran informasi di masyarakat. Dengan banyaknya informasi yang beredar melalui Twitter maka perlu diperhatikan tingkat relevan dari informasi tersebut. Untuk mem-filter informasi yang beredar ini maka diperlukan sumber-sumber terpercaya yang berkecimpung langsung di bidang berita tersebut. Seperti contohnya adalah berita berbau politik dan hukum berasal dari tokoh-tokoh berkompeten yang terjun langsung di bidang tersebut sehingga informasi yang dihasilkan lebih relevan, mendalam, dan menarik. Informasi ini cenderung menyebar lebih cepat jika dibandingkan dengan informasi yang berasal dari website berita lainnya.
Untuk mengumpulkan informasi yang tersebar melalui Twitter maka dibentuk suatu website portal seperti news aggregator berbasis tweet yang disebut juga dengan tweet aggregator. Pada tweet aggregator, tweet yang berisi informasi berguna dari orang-orang yang berkompeten dikumpulkan dan dikelompokkan ke dalam beberapa kategori seperti kategori politik dan hukum, hiburan, ekonomi, kesehatan, bisnis, teknologi, olahraga, dan lainnya. Pengelompokkan ini dilakukan dengan menggunakan teknik klasifikasi teks dengan pembelajaran mesin.
Penelitian tentang klasifikasi teks dengan menggunakan sumber data tweet sebelumnya pernah dilakukan oleh Sriram pada tahun 2010. Data yang digunakan pada penelitian ini adalah tweet berbahasa Inggris dan mengklasifikasikannya ke dalam kategori topik pembicaraan yang umum dibahas pada Twitter seperti news, opinions, deals, events, dan private messages. Pengklasifikasian ini dilakukan berdasarkan informasi profil user dan fitur spesifik yang diekstrak dari tweet seperti pemendekkan kata, kata slang, frasa berbasis waktu, kata opini, tekanan kata, kemunculan @username pada awal tweet, dan kemunculan @username di
(19)
4
Rany Kasman, 2015
PEMBANGUNAN TWEET AGGREGATOR DENGAN MENGGUNAKAN METODE NAÏVE BAYES
Universitas Pendidikan Indonesia | \.upi.edu perpustakaan.upi.edu
dalam tweet. Sriram dkk menggunakan metode Naïve Bayes, Decision Tree, dan Sequential Minimal Optimization (SMO). Hasil pengklasifikasian kemudian dievaluasi dengan menggunakan teknik 5-fold cross validation dan menghasilkan akurasi tertinggi pada metode Naïve Bayes. (Sriram, 2010)
Penelitian lainnya dilakukan oleh Go dkk pada tahun 2009 dengan menerapkan klasifikasi teks pada analisis sentimen dengan menggunakan sumber data tweet. Dataset tweet yang telah dikumpulkan mengandung emotikon sebagai noisy label. Klasifikasi dilakukan dengan menggunakan metode Naïve Bayes, Maximum Entrophy, dan Support Vector Machine (SVM) menghasilkan akurasi di atas 80% saat dilatih menggunakan data emotikon. Data tweet sebelumnya di praproses dengan menghilangkan username, link, dan perulangan huruf. Namun dari banyaknya penelitian yang telah ditemukan, penelitian klasifikasi yang terfokus pada informasi berita berbahasa Indonesia yang tersebar pada Twitter cukup jarang ditemukan. Jika ada, penelitian yang ditemukan adalah klasifikasi dengan menggunakan data tweet berbahasa Inggris. Oleh karena itu dilakukan pembangunan Tweet Aggregator dengan menerapkan klasifikasi informasi berita berbahasa Indonesia yang tersebar melalui Twitter. (Go, Bhayani, & Huang, 2009)
Tweet aggregator ini dibangun dengan menggunakan salah satu metode pengklasifikasian teks yang memiliki karakteristik sederhana, mudah diaplikasikan, dan memiliki akurasi tinggi, yaitu algoritma Naïve Bayes untuk mengelompokkan tweet berdasarkan kategori yang ada.
Identifikasi Masalah
Identifikasi masalah yang akan dibahas dalam “Pembangunan Tweet
Aggregator dengan Menggunakan Metode Naïve Bayes” adalah:
1. Bagaimana pengklasifikasian tweets berdasarkan kategori tertentu dengan menggunakan metode Naïve Bayes?
2. Bagaimana tingkat kepuasan pengguna terhadap aplikasi pengelompokan tweet berita?
(20)
5
Rany Kasman, 2015
PEMBANGUNAN TWEET AGGREGATOR DENGAN MENGGUNAKAN METODE NAÏVE BAYES
Universitas Pendidikan Indonesia | \.upi.edu perpustakaan.upi.edu
Adapun batasan masalah dalam penelitian ini, diantaranya :
a. Metode yang digunakan adalah algoritma Naïve Bayes untuk pengklasifikasian teks berdasarkan kategori berita tertentu.
b. Data yang digunakan yaitu data tweets yang berasal dari akun tokoh yang memiliki kompetensi pada bidang berita. Daftar tokoh berkompeten didapatkan dari Ensiklopedi Tokoh Indonesia Online pada tautan http://www.tokohindonesia.com/ dan daftar wartawan terkenal Indonesia. c. Tweets yang digunakan yaitu tweets berbahasa Indonesia.
d. Pelabelan tweet berita dilakukan atas pemahaman penulis sebagai supervisor dalam pengklasifikasian tweet.
Tujuan Penelitian
Tujuan diadakannya penelitian ini adalah:
1. Untuk dapat mengklasifikasikan tweets berdasarkan kategori tertentu dengan menggunakan metode Naïve Bayes.
2. Untuk dapat membuktikan sejauh mana tingkat kepuasan pengguna terhadap aplikasi pengelompokkan tweet berita.
Manfaat Penelitian
Dengan adanya penelitian ini, diharapkan dapat memudahkan pengguna untuk mendapatkan berita terbaru dari berbagai macam kategori berita secara cepat langsung dari orang-orang yang berkompeten di dalamnya.
Sistematika Penulisan
Sistematika penulisan dalam proposal ini sebagai berikut : BAB I PENDAHULUAN
Bab ini berisi pembahasan masalah secara umum, terdiri dari latar belakang, rumusan masalah, batasan masalah, tujuan penelitian, dan sistematika penulisan.
BAB II TINJAUAN PUSTAKA
Bab ini berisi dasar teori yang digunakan dalam penelitian ini. Adapun yang dibahas pada bab ini adalah teori yang berkaitan dengan
(21)
6
Rany Kasman, 2015
PEMBANGUNAN TWEET AGGREGATOR DENGAN MENGGUNAKAN METODE NAÏVE BAYES
Universitas Pendidikan Indonesia | \.upi.edu perpustakaan.upi.edu
pembangunan tweet aggregator dengan menggunakan metode Naïve Bayes.
BAB III METODOLOGI PENELITIAN
Bab ini berisi penjelasan langkah-langkah yang akan dilakukan dalam penelitian.
BAB IV HASIL PENELITIAN
Bab ini berisi uraian tentang hasil penelitian dan pembahasan terhadap hasil penelitian yang dilakukan
BAB V KESIMPULAN DAN SARAN
Bab ini berisi kesimpulan dari keseluruhan penelitian yang telah dilakukan serta saran dari penulis untuk kegiatan penelitian selanjutnya terkait dengan topik yang sedang dibahas.
(22)
28
Rany Kasman, 2015
PEMBANGUNAN TWEET AGGREGATOR DENGAN MENGGUNAKAN METODE NAÏVE BAYES
Universitas Pendidikan Indonesia | \.upi.edu perpustakaan.upi.edu
BAB III
METODOLOGI PENELITIAN
Untuk menunjang kegiatan penelitian, dalam bab ini akan dijelaskan desain penelitian, metode penelitian yang digunakan, serta alat dan bahan penelitian. 3.1Desain Penelitian
Desain penelitian merupakan tahapan yang akan dilakukan penulis untuk memberikan gambaran serta kemudahan dalam melakukan penelitian. Tahapan penelitian yang digunakan dijabarkan pada Gambar 3.1.
(23)
29
Rany Kasman, 2015
PEMBANGUNAN TWEET AGGREGATOR DENGAN MENGGUNAKAN METODE NAÏVE BAYES
Universitas Pendidikan Indonesia | \.upi.edu perpustakaan.upi.edu
Berikut penjelasan dari desain penelitian: 1. Pengumpulan data
Data yang digunakan dalam penelitian ini diambil dari situs jejaring sosial Twitter yang dinamakan tweet. Tweet yang saat ini penulis dapatkan sekitar 61.620 tweet dengan cara melakukan crawling dengan memanfaatkan Twitter API. Data diambil dari bulan Februari 2015 sampai Agustus 2015.
Tweet yang diambil merupakan tweet pribadi dari beberapa user yang berkompeten di masing-masing bidang kategori berita. Kategori berita ini, antara lain: politik dan hukum, bisnis, ekonomi, agama, teknologi, kenegaraan, internasional, pendidikan, kesehatan, olahraga, dan hiburan. 2. Pelabelan
Beberapa data yang telah dikumpulkan dibagi menjadi data training dan data testing. Data ini dikelompokkan secara manual menurut kelas masing-masing oleh seorang supervisor (orang yang mendefinisikan kelas dan label pada training document). Data ini nantinya digunakan untuk membentuk fungsi klasifikasi.
Data yang telah dilabeli secara manual ini di-sampling dengan menggunakan teknik random undersampling untuk mendapatkan jumlah data yang seimbang di setiap kelasnya.
3. Preprocessing
Proses yang dilakukan adalah preprocessing dasar yang meliputi: (Feinerer & Hornik, 2008)
1)Case Folding, merupakan proses penyeragaman bentuk semua kata menjadi lowercase.
2)Cleansing, merupakan proses pembersihan data teks dari hal-hal yang tidak diperlukan
3)Tokenizing, merupakan proses pemecahan string berdasarkan tiap kata yang menyusunnya.
4)Stopword Removal, merupakan penghapusan stopwords (kata-kata yang tidak deskriptif).
(24)
30
Rany Kasman, 2015
PEMBANGUNAN TWEET AGGREGATOR DENGAN MENGGUNAKAN METODE NAÏVE BAYES
Universitas Pendidikan Indonesia | \.upi.edu perpustakaan.upi.edu
5)Penyamaan Sinonim, merupakan penyamaan kata-kata dengan sinonimnya.
Proses ini kemudian dimodifikasi oleh peneliti untuk disesuaikan dengan sumber data tweet yaitu pada proses cleansing ditambahkan proses sebagai berikut:
a. Menghapus username yang muncul pada setiap tweet (direpresentasikan sebagai @username) dihapus.
b. Menghapus tanda “RT” yang muncul di setiap tweet dihapus (RT merupakan tanda bahwa sebuah tweet merupakan hasil retweet).
c. Menghapus format hashtag yang muncul pada setiap tweet (direpresentasikan sebagai #hashtag) dihapus.
d. Menghapus penghilangan tanda baca.
e. Menghapus kemunculan angka atau Clean Number. 4. Feature Selection
Pada tahap ini dilakukan proses seleksi fitur dari kumpulan term yang didapat dari preprocessing. Feature selection dilakukan dengan memberi bobot pada masing-masing term menggunakan metode Term Frequency * Inverse Document Frequency (TF*IDF). Fitur yang dipilih merupakan term dengan bobot yang lebih besar.
5. Text Classification
Pada tahap ini dilakukan proses pengelompokkan tweet berdasarkan kelas-kelas yang telah ditentukan dengan menggunakan algoritma Naïve Bayes. Proses pengelompokkan dilakukan sebanyak 2 tahap. Tahap pertama untuk mengelompokkan tweet berita dan bukan berita, kemudian tahap kedua dilakukan untuk mengelompokkan tweet ke dalam kelas yang telah ditentukan, yaitu: politik dan hukum, bisnis, ekonomi, agama, teknologi, kenegaraan, internasional, pendidikan, kesehatan, olahraga, dan hiburan. Tweet hasil pengklasifikasian dibersihkan dari username, tanda retweet (RT), dan format hash tag untuk menghasilkan tweet yang lebih merepresentasikan informasi berita.
(25)
31
Rany Kasman, 2015
PEMBANGUNAN TWEET AGGREGATOR DENGAN MENGGUNAKAN METODE NAÏVE BAYES
Universitas Pendidikan Indonesia | \.upi.edu perpustakaan.upi.edu
6. Evaluasi dan Validasi Klasifikasi
Pada tahap ini dilakukan pengujian kualitas dari hasil dari classification dengan menggunakan metode k-fold cross validation. Penulis menggunakan 10-fold cross validation dengan membagi data yang telah dianotasikan menjadi 10 subset dan melakukan proses training dan testing secara berulang-ulang pada data yang telah dibagi tersebut. Untuk mengukur tingkat ketepatan dan keberhasilan hasil klasifikasi dilakukan perhitungan precision dan recall untuk masing-masing kelas.
7. Analisa Hasil Uji
Pada tahap ini dilakukan pengujian aplikasi untuk mengetahui tingkat kepuasan pengguna terhadap aplikasi yang dibangun. Pengujian ini dilakukan dengan menyebarkan kuesioner dan dinilai dengan menggunakan perhitungan skala Likert.
3.2 Metode Penelitian
Untuk lebih jelasnya, metode penelitian yang dilakukan dijelaskan dalam sub-bab berikut:
3.2.1. Proses Pengumpulan Data
Data yang digunakan dalam penelitian ini merupakan data yang diambil dari Twitter dengan mengunakan Twitter API. Tweet diambil pada rentang bulan Februari 2015 sampai bulan Agustus 2015. Tweet ini diambil dari 100 user yang kompeten di masing-masing kategori klasifikasi. Kategori-kategori tersebut, antara lain: politik dan hukum, bisnis, ekonomi, agama, teknologi, kenegaraan, internasional, pendidikan, kesehatan, olahraga, dan hiburan. Sedangkan user yang berkompeten didapatkan dari Ensiklopedi Tokoh Indonesia Online pada tautan
http://www.tokohindonesia.com/ dan daftar wartawan terkenal Indonesia.
3.2.2. Proses Pengembangan Perangkat Lunak
Metode pengembangan perangkat lunak yang penulis gunakan pada penelitian ini adalah Linear Sequential Model yang disebut juga dengan classic
(26)
32
Rany Kasman, 2015
PEMBANGUNAN TWEET AGGREGATOR DENGAN MENGGUNAKAN METODE NAÏVE BAYES
Universitas Pendidikan Indonesia | \.upi.edu perpustakaan.upi.edu
life cycle atau waterfall model. Linear sequential model merupakan proses pengembangan perangkat lunak yang sistematis dengan pendekatan-pendekatan sekuensial. Metode ini merupakan pengembangan dari conventional engineering cycle dan terdiri dari beberapa aktivitas, sebagai berikut: (Pressman, 2001)
1) Pemodelan Sistem / Information Engineering
Tahap penyusunan requirements untuk keseluruhan elemen sistem dan mengalokasikan subset untuk setiap requirements tersebut. Pemodelan ini melibatkan proses analisis dan perancangan.
2) Analisis Kebutuhan Perangkat Lunak
Karena proses pengumpulan requirements terfokus pada software, maka software engineer (“analyst”) harus mengerti domain informasi dari software tersebut, seperti: fungsi, sifat, performa, dan interface-nya.
Pada tahap ini dilakukan pengumpulan akun user yang memiliki kompetensi di bidang berita, kemudian tweet dari akun tersebut ditarik menggunakan Twitter API. Data tweet ini akan menjadi masukkan dari sistem. Kemudian ditentukan modul-modul pembangun sistem, serta hasil output dari sistem. 3) Perancangan
Proses design menerjemahkan requirement menjadi representasi dari software. Proses ini terdiri dari beberapa tahap yang terfokus pada atribut dari program, yaitu:
a. Data structure
b. Software architecture c. Interface representations d. Procedural (algorithmic) detail
Design ini didokumentasikan dan menjadi bagian dari software configuration. Pada proses design penulis merancang dengan menggunakan Unified Modelling Language (UML).
Pada tahap ini dibuat desain dari sistem yang akan dikembangkan dalam bentuk Entity Relationship Diagram (ERD), UML, serta rancangan antar muka sistem.
(27)
33
Rany Kasman, 2015
PEMBANGUNAN TWEET AGGREGATOR DENGAN MENGGUNAKAN METODE NAÏVE BAYES
Universitas Pendidikan Indonesia | \.upi.edu perpustakaan.upi.edu
4) Pengkodean
Merupakan proses penerjemahan design menjadi bentuk yang dapat dibaca oleh komputer (kode program).
Pada tahap ini dilakukan pengkodean dari semua modul yang sudah didefinisikan sebelumnya menggunakan bahasa pemograman Java.
5) Pengujian
Setelah proses pengkodean, dilakukan proses testing. Proses testing terfokus pada logical internal dari software dan functional external, yaitu dengan mengetes semua fungsi untuk menemukan error dan memastikan input yang telah ditetapkan akan menghasilkan output yang sesuai.
Pada tahap ini dilakukan pengujian pada setiap modul untuk memastikan sistem berjalan dengan baik.
Gambaran dari tahapan Linear sequential model dapat dilihat pada Gambar 3.2.
Gambar 1.2 Linear Sequential Model
sumber: Software Engineering: A Practitioner’s Approach Fifth Edition, 2001, hlm.: 29)
3.3 Alat dan Bahan Penelitian
Alat yang digunakan dalam penelitian ini adalah seperangkat komputer yang dilengkapi dengan perangkat keras dan perangkat lunak pendukung. Sedangkan bahan yang digunakan adalah data yang diambil dari Twitter.
(28)
34
Rany Kasman, 2015
PEMBANGUNAN TWEET AGGREGATOR DENGAN MENGGUNAKAN METODE NAÏVE BAYES
Universitas Pendidikan Indonesia | \.upi.edu perpustakaan.upi.edu
3.3.1. Alat Penelitian
Perangkat keras komputer yang digunakan dalam penelitian ini memiliki spesifikasi sebagai berikut:
1. Processor Intel® Core™ i5
2. Memori 4 GB RAM
3. Hardisk berkapasitas 720 GB
4. Monitor 14” dengan resolusi 1366x768 pixel
5. Mouse dan keyboard
Adapun perangkat lunak yang digunakan adalah: 1. Microsoft Windows 8.1 Pro
2. Eclipe 4.3 3. Java EE
4. Java Runtime Environment (JRE 8) 5. Apache Tomcat 8.0
6. Xampp 1.8.3 7. Navicat Premium 8. Sublime Text 2 9. Google Chrome 3.3.2. Bahan Penelitian
Adapun bahan penelitian yang digunakan merupakan data yang diambil dari Twitter. Data yang diambil merupakan tweet pribadi dari beberapa user yang berkompeten masing-masing kategori berita yang telah ditentukan sebelumnya. Serta bahan lain berupa kumpulan stopwords yang diambil dari hasil penelitian yang dilakukan oleh Fadillah Z Talla dengan judul “A Study of Stemming Effects on Information Retrieval in Bahasa Indonesia” dan kumpulan kata sinonim yang diambil dari library Tweet Mining berbahasa Indonesia yang dibuat oleh Yudi Wibisono yang dapat diperoleh pada tautan: htttp://www.code.google.com/p/id-tweetmining/.
(29)
94
Rany Kasman, 2015
PEMBANGUNAN TWEET AGGREGATOR DENGAN MENGGUNAKAN METODE NAÏVE BAYES
Universitas Pendidikan Indonesia | \.upi.edu perpustakaan.upi.edu
BAB V
KESIMPULAN DAN SARAN
Pada bab ini akan menjelaskan kesimpulan dan saran dari penelitian. 5.1Kesimpulan
Kesimpulan dari penelitian Pembangunan Tweet Aggregator dengan menggunakan metode Naïve Bayes adalah sumber data tweet dapat digunakan untuk mengetahui penyebaran informasi berita di tengah masyarakat. Algoritma Naïve Bayes layak digunakan untuk mengklasifikasikan tweet berita ke dalam kategori-kategori yang sesuai. Namun tweet ini tidak langsung masuk ke tahap klasifikasi. Diperlukan preprocessing tweet terlebih dahulu sebelum tweet tersebut ditampilkan pada dashboard berita.
Untuk mengelompokkan data tweet ke dalam kategori berita tidak dilakukan secara langsung. Proses klasifikasi ini dilakukan dengan melalui dua tahap, yaitu tahap pertama untuk mengklasifikasikan tweet mana yang merupakan informasi berita dan tweet mana yang tidak merupakan informasi berita, dan tahap kedua untuk mengklasifikasikan tweet berita tersebut ke dalam kategori berita yang telah disediakan. Tahapan ini membantu meningkatkan performa pengklasifikasian tweet ke kategori berita dengan menghilangkan tweet yang tidak relevan yang banyak tersebar di Twitter. Hasil dari klasifikasi dapat dihitung tingkat akurasinya dengan menggunakan teknik 10-fold cross validation. Untuk mengetahui tingkat ketepatan klasifikasi data pada setiap kelas dengan jawaban yang diberikan oleh hasil dapat diukur dengan perhitungan precision dan tingkat keberhasilan hasil klasifikasi dapat dihitung dengan menggunakan perhitungan recall.
Pengujian kepada responden menunjukkan bahwa secara umum aplikasi ini dapat diterima dengan baik. Mayoritas responden memberikan penilaian bahwa aplikasi ini dapat mengklasifikasikan informasi berita dengan baik sehingga mereka dapat mendapatkan informasi secara lebih cepat dan lebih mudah
(30)
95
Rany Kasman, 2015
PEMBANGUNAN TWEET AGGREGATOR DENGAN MENGGUNAKAN METODE NAÏVE BAYES
Universitas Pendidikan Indonesia | \.upi.edu perpustakaan.upi.edu
dibandingkan dengan mencari informasi sendiri ataupun dengan membaca tweet secara langsung di Twitter. Kekurangan dari aplikasi ini berdasarkan penilaian dari responden adalah tampilannya yang kurang menarik dan perlu diperbaiki. 5.2 Saran
Saran-saran yang diberikan pada penelitian ini untuk pengembangan selanjutnya adalah sabagai berikut:
1. Perlu dilakukan text preprocessing yang lebih baik agar data yang digunakan lebih berkualitas dan meminimalkan noise sekecil mungkin. Cara-cara yang dapat dilakukan seperti membuat kamus kata baku, memperbaiki daftar sinonim, memperbaiki daftar stopwords, dan mengatasi kesalahan penulisan yang sering terjadi pada data tweet.
2. Perlu dilakukan penanganan lebih lanjut pada klasifikasi tahap pertama sehingga dapat meminimalisir kesalahan klasifikasi pada kelas ‘Relevan’. 3. Perlu dilakukan proses pelabelan tweet yang lebih baik. Pelabelan dilakukan
pada rentang waktu yang lama dan menggunakan data yang lebih banyak untuk meningkatkan kualitas model klasifikasi.
4. Perlu dilakukan penambahan user yang memiliki kompetensi di setiap kategori berita sehingga akan menambah ragam berita di masing-masing kategori serta menambah kualitas dan relevansi berita.
5. Menggunakan bahasa pemrograman yang lebih baik untuk pemrosesan data. 6. Membuat tampilan yang lebih responsif.
(31)
96
Rany Kasman, 2015
PEMBANGUNAN TWEET AGGREGATOR DENGAN MENGGUNAKAN METODE NAÏVE BAYES
Universitas Pendidikan Indonesia | \.upi.edu perpustakaan.upi.edu
DAFTAR PUSTAKA
Andhika, F. R., & Widyantoro, D. H. (2012). Klasifikasi Topik Terhadap Teks Pendek pada Jejaring Sosial Twitter.
Banu, T. (2015, Februari 24). News: Social Media Week. Retrieved Agustus 19,
2015, from Social Media Week Jakarta:
http://socialmediaweek.org/jakarta/2015/02/24/peran-social-media-dalam-penyebaran-berita/
Batuwita, R., & Palade, V. (2010). Efficient Resampling Methods for Training Support Vector Machine with Imbalanced Datasets.
Chawla, N. V. (2005). Data Mining for Imbalanced Datasets: An Overview. In O. Maimon, & L. Rokach, Data Mining and Knowledge Discovery Handbook: A Complete Guide for Practitioners and Researchers (pp. 853-854). Springer.
Feinerer, I., & Hornik, K. (2008). Text Mining Infrastructure. Journal of Statistic Software, Volume 25.
Feldman, R., & Sanger, J. (2007). The Text Mining Handbook. Cambridge: Cambridge University Press.
Fernandez, A., Garcia, S., Luengo, J., Bernado-Mansilla, E., & Herrera, F. (2010). Genetics-based Machine Learning for Rule Induction: State of the Art, Taxonomy, and Comparative Study. IEEE Transactions on Evolutionary Computation 14, 913-941.
Go, A., Bhayani, R., & Huang, L. (2009). Twitter Sentiment Classification Using Distant Supervision. 5.
Google News. (2013). About: Google News. Retrieved Januari 2015, from Google News: http://www.google.com/intl/en_us/about_google_news.html
(32)
97
Rany Kasman, 2015
PEMBANGUNAN TWEET AGGREGATOR DENGAN MENGGUNAKAN METODE NAÏVE BAYES
Universitas Pendidikan Indonesia | \.upi.edu perpustakaan.upi.edu
He, H., & Garcia, E. A. (2009). Learning from Imbalanced Data. IEEE Transactions on Knowledge and Data Engineering, 1063-1284.
Isbell, K. (2010). The Rise of the News Aggregator: Legal Implications and Best Practices. Berkman Center Research Publication No. 2010-10, 2-5.
Manning, C. D., Raghavan, P., & Schutze, H. (2009). An Introduction to Information Retrieval. Cambridge: Cambridge University Press.
Nazir, M. (2003). Metode Penelitian. Jakarta: Ghalia Indonesia.
Pressman, R. S. (2001). Software Engineering: A Practitioner's Approach, Fifth Edition. Boston: McGraw-Hill.
Sriram, B. (2010). Short Text Classification in Twitter to Improve Information Filtering. 47-64.
Talla, F. Z. (2002). A Study of Stemming Effects on Information Retrieval in Bahasa Indonesia.
Techmeme. (2014). About: Techmeme. Retrieved Januari 2015, from Techmeme: https://www.techmeme.com/about
Tokoh Indonesia. (2015). Ensiklopedi Tokoh Indonesia. Retrieved 2015, from Tokoh Indonesia: http://www.tokohindonesia.com/
Twitter. (2014). About: Twitter. Retrieved 2015, from Twitter: https://about.twitter.com/
Twitter. (2015). Twitter Developers: Documentation. Retrieved 2015, from Twitter: https://dev.twitter.com/overview/documentation
V. Lopez, A., Fernandez, S., Garcia, V., Palade, & Herrera, F. (2013). An Insight into Classification with Imbalanced Data: Empirical Results and Current Trends on Using Data Intrinsic Characteristics. Information Sciences 250, 113-141.
(33)
98
Rany Kasman, 2015
PEMBANGUNAN TWEET AGGREGATOR DENGAN MENGGUNAKAN METODE NAÏVE BAYES
Universitas Pendidikan Indonesia | \.upi.edu perpustakaan.upi.edu
Weng, C. G., & Poon, J. (2006). A New Evaluation Measure for Imbalanced Datasets.
(1)
Rany Kasman, 2015
PEMBANGUNAN TWEET AGGREGATOR DENGAN MENGGUNAKAN METODE NAÏVE BAYES
Universitas Pendidikan Indonesia | \.upi.edu perpustakaan.upi.edu
Perangkat keras komputer yang digunakan dalam penelitian ini memiliki spesifikasi sebagai berikut:
1. Processor Intel® Core™ i5
2. Memori 4 GB RAM
3. Hardisk berkapasitas 720 GB
4. Monitor 14” dengan resolusi 1366x768 pixel
5. Mouse dan keyboard
Adapun perangkat lunak yang digunakan adalah: 1. Microsoft Windows 8.1 Pro
2. Eclipe 4.3 3. Java EE
4. Java Runtime Environment (JRE 8) 5. Apache Tomcat 8.0
6. Xampp 1.8.3 7. Navicat Premium 8. Sublime Text 2 9. Google Chrome 3.3.2. Bahan Penelitian
Adapun bahan penelitian yang digunakan merupakan data yang diambil dari Twitter. Data yang diambil merupakan tweet pribadi dari beberapa user yang berkompeten masing-masing kategori berita yang telah ditentukan sebelumnya. Serta bahan lain berupa kumpulan stopwords yang diambil dari hasil penelitian yang dilakukan oleh Fadillah Z Talla dengan judul “A Study of Stemming Effects on Information Retrieval in Bahasa Indonesia” dan kumpulan kata sinonim yang
diambil dari library Tweet Mining berbahasa Indonesia yang dibuat oleh Yudi Wibisono yang dapat diperoleh pada tautan: htttp://www.code.google.com/p/id-tweetmining/.
(2)
Rany Kasman, 2015
PEMBANGUNAN TWEET AGGREGATOR DENGAN MENGGUNAKAN METODE NAÏVE BAYES
Universitas Pendidikan Indonesia | \.upi.edu perpustakaan.upi.edu BAB V
KESIMPULAN DAN SARAN
Pada bab ini akan menjelaskan kesimpulan dan saran dari penelitian. 5.1Kesimpulan
Kesimpulan dari penelitian Pembangunan Tweet Aggregator dengan menggunakan metode Naïve Bayes adalah sumber data tweet dapat digunakan untuk mengetahui penyebaran informasi berita di tengah masyarakat. Algoritma
Naïve Bayes layak digunakan untuk mengklasifikasikan tweet berita ke dalam
kategori-kategori yang sesuai. Namun tweet ini tidak langsung masuk ke tahap klasifikasi. Diperlukan preprocessing tweet terlebih dahulu sebelum tweet tersebut ditampilkan pada dashboard berita.
Untuk mengelompokkan data tweet ke dalam kategori berita tidak dilakukan secara langsung. Proses klasifikasi ini dilakukan dengan melalui dua tahap, yaitu tahap pertama untuk mengklasifikasikan tweet mana yang merupakan informasi berita dan tweet mana yang tidak merupakan informasi berita, dan tahap kedua untuk mengklasifikasikan tweet berita tersebut ke dalam kategori berita yang telah disediakan. Tahapan ini membantu meningkatkan performa pengklasifikasian
tweet ke kategori berita dengan menghilangkan tweet yang tidak relevan yang
banyak tersebar di Twitter. Hasil dari klasifikasi dapat dihitung tingkat akurasinya dengan menggunakan teknik 10-fold cross validation. Untuk mengetahui tingkat ketepatan klasifikasi data pada setiap kelas dengan jawaban yang diberikan oleh hasil dapat diukur dengan perhitungan precision dan tingkat keberhasilan hasil klasifikasi dapat dihitung dengan menggunakan perhitungan recall.
Pengujian kepada responden menunjukkan bahwa secara umum aplikasi ini dapat diterima dengan baik. Mayoritas responden memberikan penilaian bahwa aplikasi ini dapat mengklasifikasikan informasi berita dengan baik sehingga mereka dapat mendapatkan informasi secara lebih cepat dan lebih mudah
(3)
Rany Kasman, 2015
PEMBANGUNAN TWEET AGGREGATOR DENGAN MENGGUNAKAN METODE NAÏVE BAYES
Universitas Pendidikan Indonesia | \.upi.edu perpustakaan.upi.edu
secara langsung di Twitter. Kekurangan dari aplikasi ini berdasarkan penilaian dari responden adalah tampilannya yang kurang menarik dan perlu diperbaiki. 5.2 Saran
Saran-saran yang diberikan pada penelitian ini untuk pengembangan selanjutnya adalah sabagai berikut:
1. Perlu dilakukan text preprocessing yang lebih baik agar data yang digunakan lebih berkualitas dan meminimalkan noise sekecil mungkin. Cara-cara yang dapat dilakukan seperti membuat kamus kata baku, memperbaiki daftar sinonim, memperbaiki daftar stopwords, dan mengatasi kesalahan penulisan yang sering terjadi pada data tweet.
2. Perlu dilakukan penanganan lebih lanjut pada klasifikasi tahap pertama sehingga dapat meminimalisir kesalahan klasifikasi pada kelas ‘Relevan’. 3. Perlu dilakukan proses pelabelan tweet yang lebih baik. Pelabelan dilakukan
pada rentang waktu yang lama dan menggunakan data yang lebih banyak untuk meningkatkan kualitas model klasifikasi.
4. Perlu dilakukan penambahan user yang memiliki kompetensi di setiap kategori berita sehingga akan menambah ragam berita di masing-masing kategori serta menambah kualitas dan relevansi berita.
5. Menggunakan bahasa pemrograman yang lebih baik untuk pemrosesan data. 6. Membuat tampilan yang lebih responsif.
(4)
Rany Kasman, 2015
PEMBANGUNAN TWEET AGGREGATOR DENGAN MENGGUNAKAN METODE NAÏVE BAYES
Universitas Pendidikan Indonesia | \.upi.edu perpustakaan.upi.edu DAFTAR PUSTAKA
Andhika, F. R., & Widyantoro, D. H. (2012). Klasifikasi Topik Terhadap Teks Pendek pada Jejaring Sosial Twitter.
Banu, T. (2015, Februari 24). News: Social Media Week. Retrieved Agustus 19,
2015, from Social Media Week Jakarta:
http://socialmediaweek.org/jakarta/2015/02/24/peran-social-media-dalam-penyebaran-berita/
Batuwita, R., & Palade, V. (2010). Efficient Resampling Methods for Training Support Vector Machine with Imbalanced Datasets.
Chawla, N. V. (2005). Data Mining for Imbalanced Datasets: An Overview. In O. Maimon, & L. Rokach, Data Mining and Knowledge Discovery
Handbook: A Complete Guide for Practitioners and Researchers (pp.
853-854). Springer.
Feinerer, I., & Hornik, K. (2008). Text Mining Infrastructure. Journal of Statistic
Software, Volume 25.
Feldman, R., & Sanger, J. (2007). The Text Mining Handbook. Cambridge: Cambridge University Press.
Fernandez, A., Garcia, S., Luengo, J., Bernado-Mansilla, E., & Herrera, F. (2010). Genetics-based Machine Learning for Rule Induction: State of the Art, Taxonomy, and Comparative Study. IEEE Transactions on Evolutionary
Computation 14, 913-941.
Go, A., Bhayani, R., & Huang, L. (2009). Twitter Sentiment Classification Using Distant Supervision. 5.
Google News. (2013). About: Google News. Retrieved Januari 2015, from Google News: http://www.google.com/intl/en_us/about_google_news.html
(5)
Rany Kasman, 2015
PEMBANGUNAN TWEET AGGREGATOR DENGAN MENGGUNAKAN METODE NAÏVE BAYES
Universitas Pendidikan Indonesia | \.upi.edu perpustakaan.upi.edu
Transactions on Knowledge and Data Engineering, 1063-1284.
Isbell, K. (2010). The Rise of the News Aggregator: Legal Implications and Best Practices. Berkman Center Research Publication No. 2010-10, 2-5.
Manning, C. D., Raghavan, P., & Schutze, H. (2009). An Introduction to
Information Retrieval. Cambridge: Cambridge University Press.
Nazir, M. (2003). Metode Penelitian. Jakarta: Ghalia Indonesia.
Pressman, R. S. (2001). Software Engineering: A Practitioner's Approach, Fifth
Edition. Boston: McGraw-Hill.
Sriram, B. (2010). Short Text Classification in Twitter to Improve Information Filtering. 47-64.
Talla, F. Z. (2002). A Study of Stemming Effects on Information Retrieval in Bahasa Indonesia.
Techmeme. (2014). About: Techmeme. Retrieved Januari 2015, from Techmeme: https://www.techmeme.com/about
Tokoh Indonesia. (2015). Ensiklopedi Tokoh Indonesia. Retrieved 2015, from Tokoh Indonesia: http://www.tokohindonesia.com/
Twitter. (2014). About: Twitter. Retrieved 2015, from Twitter: https://about.twitter.com/
Twitter. (2015). Twitter Developers: Documentation. Retrieved 2015, from Twitter: https://dev.twitter.com/overview/documentation
V. Lopez, A., Fernandez, S., Garcia, V., Palade, & Herrera, F. (2013). An Insight into Classification with Imbalanced Data: Empirical Results and Current Trends on Using Data Intrinsic Characteristics. Information Sciences 250, 113-141.
(6)
Rany Kasman, 2015
PEMBANGUNAN TWEET AGGREGATOR DENGAN MENGGUNAKAN METODE NAÏVE BAYES
Universitas Pendidikan Indonesia | \.upi.edu perpustakaan.upi.edu
Weng, C. G., & Poon, J. (2006). A New Evaluation Measure for Imbalanced Datasets.