BAB IV HASIL DAN PEMBAHASAN
4.4. Analisis Topik Secara Keseluruhan
Untuk melihat pola topik secara keseluruhan dari tahun 2006 hingga 2018 dapat dilihat pada Gambar 4.30. dimana gambar tersebut menunjukkan bahwa kata-kata yang muncul yang berkaitan dengan Islam maupun tidak berkaitan dengan Islam setiap tahunnya. Untuk kata-kata yang berkaitan dengan Islam terdapat beberapa kata yang selalu berurutan muncul di setiap tahunnya dan untuk kata-kata yang tidak berkaitan dengan Islam hanya muncul di tahun-tahun tertentu. Dapat dilihat pada tahun 2015 hingga 2018 terdapat kata-kata yang tidak berkaitan dengan Islam muncul dikarenakan pada rentang waktu tersebut terdapat kasus Ahok terkait penistaan agama dan pergantian Gubernur DKI Jakarta. Oleh sebab itu, dapat disimpulkan bahwa para pengguna twitter tidak lagi membicarakan agama secara murni melainkan sudah dikaitkan dengan pembicaraan yang lain.
“.... Dg ucapan nya itu UAS sdh Murtad...!!!! .... Justru khilafah yg diagungkan si somad adalah khilafah merusak.... Merampok dan haus kekerasan... Dan itu bukan Islam....!!!”
“Peristiwa Kanigoro diingat sebagai bukti kekejian Partai Komunis Indonesia (PKI) kepada umat Islam, bahkan lebih dikenang ketimbang Peristiwa Tanjung Priok 1984. “
Gambar 4. 29. Wordcloud dan wordlink tahun 2018
43 Gambar 4. 30. Analisis topik secara keseluruhan
Kata-kata yang berkaitan dengan islam
Kata-kata yang tidak berkaitan dengan islam
44 BAB V
KESIMPULAN DAN SARAN
5.1. Kesimpulan
Dalam penelitian ini jumlah topik optimal yang didapat untuk masing-masing tahun dilihat dari nilai perplexity terkecil yaitu dua topik untuk setiap tahunnya dan relatif mudah untuk diinterpretasikan. Dari pemaparan hasil dalam penelitian ini dapat disimpulkan bahwa yang pertama ketika dilihat dari visualisasi yang tanpa melihat waktu terlihat kata yang muncul hanya kata-kata yang berkaitan dengan agama Islam saja.
Kedua ketika dipecah menjadi pertahun terlihat lebih jelas kata yang muncul pada setiap tahunnya, pada awal penggunaan medial sosial twitter terlihat sebagian besar pengguna menggunakan akun nya murni untuk membahas Agama dan menggunakannya untuk belajar agama ataupun mendiskusikan tentang agama. Tetapi semenjak tahun 2016 ada kecenderungan bahwa agama dicampuri dari hal-hal lain di luar ilmu agama seperti terlihat pada tahun 2016-2018 yang mencampuri agama dengan hal-hal lain diluar agama.
Terakhir dilihat secara keseluruhan dengan melihat kata yang muncul untuk setiap tahunnya dapat disimpulkan bahwa kata-kata yang berkaitan dengan Islam terdapat beberapa yang muncul setiap tahunnya sedangkan kata-kata yang tidak berkaitan dengan Islam hanya muncul di tahun-tahun tertentu seperti pada tahun 2006-2018 dimana pada rentang waktu tersebut terdapat kasus Ahok dan pergantian Gubernur DKI Jakarta
5.2. Saran
Untuk penelitian selanjutnya dengan topik yang sama dapat diolah dengan menggunakan metode topik modeling yang lain seperti semi-supervised LDA, dapat juga topik diambil menggunakan media sosial yang lainnnya seperti facebook atau web page. Saran peneliti untuk pengguna media sosial lebih baik kembali menggunakan media sosial untuk hal yang lebih baik dan bermanfaat.
45
REFERENSI
[1] S. Aisyah Bm, “Konflik Sosial Dalam Hubungan Antar Umat Beragama,”
J. Dakwah Tabligh, vol. 15, no. 2, pp. 189–208, 2014.
[2] M. Alfandi, “PRASANGKA: Potensi Pemicu Konflik Internal Umat Islam,” Walisongo, vol. 21, no. 1, pp. 113–140, 2013.
[3] X. Wang and A. McCallum, “Topics Over Time: A Non-Markov Continous-Time Model of Topical Trends,” in ACM SIGKDD, 2005.
[4] L. Hong and B. D. Davison, “Empirical Study of Topic Modeling in Twitter,” in 1st Workshop on Social Media Analytics (SOMA ’10), 2010.
[5] W. X. Zhao, J. Jiang, J. Weng, J. He, and E. P. Lim, “Comparing Twitter and Traditional Media using Topic Models,” Eur. Conf. IR Res., vol. 6611, pp. 338–349, 2011.
[6] A. R. Masykur, Atlas Agama Islam. Penerbit Almahira, 2009.
[7] P. D. B. Wakaf, Al-Qur’an dan Tafsirnya. PT. Dana Bhakti Wakaf, 1990.
[8] F. Karcic, “Textual Analysis in Islamic Studies: A Short Historical and Comparative Survey,” Islam. Stud., vol. 45, no. 2, pp. 191–220, 2006.
[9] D. M. Blei, “Probabilistic Topic Models,” Commun. ACM, vol. 55, no. 4, pp. 77–84, 2012.
[10] S. Deerwester, S. T. Dumais, G. W. Furnas, T. K. Landauer, and R.
Harshman, “Indexing by latent semantic analysis,” J. Am. Soc. Inf. Sci., vol.
41, no. 6, pp. 391–407, 1990.
[11] N. Evangelopoulus, “Latent semantic analysis,” Wiley Interdiscip. Rev., vol. 4, no. 6, pp. 683–692, 2013.
[12] T. Hofmann, “Probabilistic Latent Semantic Indexing,” ACM SIGIR Forum, vol. 51, no. 2, pp. 211–218, 2017.
[13] T. Hofmann, “Probabilistic Latent Semantic Analysis,” in UAI’99 Proc.
Fifteenth Conf. Uncertai. Artif. Intell, 1999.
[14] D. Lee and S. Seung, “Algorithms for Non-negative Matrix Factorization,”
Adv. Neural Inf. Process. Syst. 13, pp. 556–562, 2001.
46 [15] D. M. Blei, A. Y. Ng, and M. I. Jordan, “Latent Dirichlet Allocation,” J.
Mach. Learn. Res., vol. 3, pp. 993–1022, 2003.
[16] T. Craenendonck and H. Blockeel, “Using Internal Validity measures to Compare Clustering Algorithms.”
[17] D. Mimno, H. M. Wallach, E. Talley, M. Leenders, and A. McCallum,
“Optimizing Semantic Coherence in Topic Models,” Proc. 2011 Conf.
Empir. Methods Nat. Lang. Process., pp. 262–272, 2011.
[18] A. F. Hidayatullah and M. R. Ma’arif, “Road Traffic Topic Modelling on Twitter using Latent Dirichlet Allocation,” Int. Conf. Sustain. Inf. Eng.
Technol., pp. 47–52, 2017.
[19] F. Pisceldo, M. Adriani, and R. Manurung, “Probabilistic Part of Speech tagging for bahasa Indonesia,” in Proc. 3rd Int. MALINDO Work. Coloca.
event ACL-IIJCNLP, 2009.
[20] HCL, “Natural Language Processing,” Hexo. [Online]. Available:
http://gitqwerty777.github.io/natural-language-processing/. [Accessed: 30-Jun-2018].
[21] J. N. Singh and S. K. Dwivendi, “Analysis of Vector Space Model in Information Retrieval,” Int. J. Comput. Appl., pp. 14–18, 2012.
[22] A. Singhal, C. Buckley, and M. Mitra, “Pivoted Document Length Normalization,” in National Science Foundation under Grant.
[23] E. L, E. K. Bird, and Steven, “Natural Language Processing with Python,”
O’Reilly Media Inc, 2009. [Online]. Available: http://www.nltk.org/.
[Accessed: 07-Nov-2018].
[24] J. Plisson, N. Lavrac, and D. D. Mladenic, “A rule based approach to word lemmatization,” Proc. 7th Int. Multiconference Inf. Soc, pp. 83–86, 2004.
[25] G. Grefenstette and P. Tapanainen, “What is a word, what is a sentence?
Problems of tokenization,” COMPLEX 1994 3rd Conf. Comput. Lexicogr.
text Res. Budapest, Hungary, 7-10 July, pp. 79–87, 1994.
[26] A. Singhal, “Normalization,” Springer Ref., pp. 21–29, 2011.
[27] W. Zhang, T. Yoshida, and X. Tang, “TFIDF, LSI and multi-word in information retrieval and text categorization,” Conf. Proc. -IEEE Int. Conf.
47 Syst. Man Cybern, pp. 108–113, 2008.
[28] G. Salton and C. Buckley, “Term-weighting approaches in automatic text retrieval,” Inf. Process. Manag., vol. 24, no. 5, pp. 513–523, 1988.
[29] A. Arlina and M. Liebenlito, “Sequential Topic Modelling: A Case Study On Indonesia LGBT COnversation On Twitter,” 2018.
[30] S. S and G. Rockwell, “Voyant Tools,” 2003. [Online]. Available:
http://voyant-tools.org.
48 LAMPIRAN Lampiran I Hasil preprocessing
Time Username Tweet Tweet Bersih Replies Retweets Likes
30-Jan-13 @Intysar
Alhamdulilah for Deen al Islam alhamdulilah deen islam
0 5 1
30-Jan-13 @husainiadian
Apapun yg sbnrnya tjadi, kasus Presiden PKS adlh fitnah dan musibah besar, bg PKS, bg umat Islam&
Islam. Perlu introspeksi, istighfar,&doa.
presiden pks fitnah pks umat islam islam introspeksi istighfar doa
8 62 3
30-Jan-13 @saidiman
Satu hal yang sama diharamkan oleh Islam dan Barat adalah korupsi. Bedanya, di Barat sudah jarang dilakukan, di dunia Islam masih marak.
islam barat korupsi bedanya barat jarang dunia islam
0 7 1
30-Jan-13 @felixsiauw
11. suatu musibah yang menimpa seorang Muslim | adalah musibah yang menimpa Muslim semuanya dan Islam | bijak menyikapi itu utama
timpa orang muslim timpa muslim islam bijak sikap
7 184 14
30-Jan-13 @fileCaknur
Puluhan tahun lalu kami memperkenalkan semboyan “Islam, Yes; Partai Islam, No―. Sebagian keadaan kini berjalan sesuai semboyan itu.
kenal semboyan islam yes partai islam jalan semboyan
5 101 6
49 Lampiran II Nilai perplexity
Nilai perplexity tahun 2007-2012 Kandidat
Jumlah Topik
Nilai Perplexity
2007 2008 2009 2010 2011 2012
2 3.7091411 3.7125216 260.5505591 1944.3430064 3898.7416391 6023.9758941 3 5.7360989 4.9337685 330.8904395 2389.2296737 4709.8352071 7019.8453505 4 7.5599133 6.5325614 365.8552961 2729.5199011 5442.0757931 7912.6082248 5 9.2100664 8.0566032 417.8645277 3117.5504934 6144.9645547 8754.9064925 6 10.7728676 10.0004041 460.7629519 3452.4859868 6729.7842909 9540.7001814 7 12.2773647 10.9924596 529.3764382 3799.8421191 7367.1673649 10098.1905833 8 13.7384001 12.4336685 557.5331778 4085.5863325 7878.7411871 10666.6206345 9 15.1642518 14.5373671 609.2513937 4452.3422732 8486.9864624 11252.2047099 10 16.5601658 15.2884591 624.1350145 4760.1733137 9002.5088529 11760.5713591 11 17.9298801 16.7058288 656.8035329 5069.5303364 9546.5101903 12292.6616598 12 19.2762729 18.1178582 710.7353544 5297.8483028 10082.9702617 12973.4348664
50 Nilai perplexity tahun 2013-2018
Kandidat Jumlah
Topik
Nilai Perplexity
2013 2014 2015 2016 2017 2018
2 6910.8332900 5475.5521190 3985.0415890 3626.7603881 4021.9732103 5996.2462039 3 7891.5308190 6365.2187128 4716.5102658 4428.3424119 4947.7747249 7518.6222098 4 8701.5870327 70880.088351 5323.2132162 4944.4786646 5716.0935181 8483.3319531 5 9368.1830469 7808.5416264 5701.9168061 5431.2126238 6329.6006874 9426.7024608 6 9880.9556268 8153.9743228 6227.1166401 5950.6556896 7055.1324179 10470.9979752 7 10471.5339480 8624.3394149 6491.2192415 6410.9742814 7606.1802636 11717.6896329 8 10903.6850276 9176.0123882 6957.3851144 6689.3786761 8194.3860545 12821.7974425 9 11450.3610592 9605.1035832 7292.4415535 7158.1304129 8717.5574726 13822.1171507 10 11833.9497597 9964.7633377 7641.1129829 7530.5828859 9233.6273178 15132.0606221 11 12241.9593789 10440.7964000 7939.5186289 7997.9840301 9885.5848545 16274.7699581 12 12632.7273715 10664.9071727 8333.6722989 8472.9215426 10501.9268246 17657.0991364