MySQL - Skripsi. Oleh : Mochamad Fadli NIM :

MySQL merupakan software database open source yang paling populer di dunia. MySQL menjadi pilihan utama bagi banyak pengembang software dan aplikasi hal ini dikarenakan kelebihan MySQL diantaranya sintaksnya yang mudah dipahami, didukung program-program umum seperti C, C++, Java, PHP, Pyton. Pengguna MySQL tidak hanya sebatas pengguna perseorangan maupun perusahaan kecil, namun perusahaan seperti Yahoo!, Google, Nokia, Youtube, Wordpress juga menggunakan DBMS MySQL. (Warman & Ramdaniansyah, 2018) 2.14 R-Programming

Software R dan paket Knitr menawarkan kemudahan untuk RR karena data dan kode dapat tersedia dengan mudah. Langkah pembuatan RR adalah pembuatan file .rmd, penyesuaian meta data, penulisan (chunk), dan rendering. Penerapan teks-kode, teks-tabel, dan teks-gambar pada sebuah contoh kasus artikel dengan RStudio, software R dan paket Knitr memberikan keuntungan yaitu penyesuaian hasil dan pengecekan yang lebih menghemat waktu jika terjadi perubahan data, cross reference yang mudah memanfaatkan data dan kode yang telah tersedia.

Pengadopsian reproducible research (data dank ode tersedia) menjadi penting bagi seorang peneliti agar kontribusi terhadap keilmuan lebih efektif. (Budiaji, 2019)

Tabel 2. 1 Studi Literatur Sejenis

Penulis & Tahun Taufik dkk (2018) Atika Rahmawati dkk (2017)

Arrofi Reza Satria dkk (2020)

A Sidang Amirul Haj dkk (2019)

Peneliti Penulis

Judul Analisis Sentimen

Terhadap Tokoh Publik Menggunakan Algoritma Support Vector Machine (SVM)

Analisis Sentimen publik pada media sosial Twitter terhadap pelaksanaan pilkada serentak menggunakan Algoritma Support Vector Machine

Analisis Sentimen Ulasan

Aplikasi Mobile

menggunakan Algoritma Gabungan Naïve Bayes dan C4.5 berbasis Normalisasi Kata Levenshtein Distance

Analisis Sentimen Kinerja KPU Pemilu 2019 Menggunakan Algoritma

K-Means Dengan

Algoritma Confix Stripping Stemmer

Analisis komentar masyarakat Jakarta terhadap kebijakan pembatasan sosial

berskala besar

menggunakan Algoritma K-Means dan Algoritma Levenshtein Distance

Data yang di ambil Dari twitter dengan

kata kunci

@temanAhok dan

“Ahok”

Twitter dengan

mendaftarkan akun untuk mengakses API Twitter

Data kometar aplikasi di playstore di ambil dengan Appbot

Komentar facebook Komentar Instagram

Algoritma Support Vector

Machine (SVM)

Support Vector Machine dan K-Means

Naïve Bayes, C4.5 dan Levensthein Distance

K-Means,Levesnthein, SVM,Confix Stripping

K-Means,Levensthein, Nazief dan Andriani

Stemmer, Naïve Bayes Nilai k k = 2 (Positif &

Negatif)

k = 2 (Positif & Negatif) k = 3 (Positif, Negatif &

Mixed)

k = 2 (Positif & Negatif) k = 2 (Positif & Negatif)

Data yang di gunakan

Data tweet sebanyak 630 data

3000 data 1300 data 200 data 150 data latih dan 50 data

uji

Stemming - - - Confix Stipping Stemer Algoritma Nazief dan

Andriani

Pembobotan kata TF-IDF - - TF-IDF TF-IDF

Normalisasi kata - - Levensthein Distance Levensthein Distane Levensthein Distance

Tools / Aplikasi - Pemrograma Java - PHP & MySQL R Programing,PHP &

MySQL Tahap pengujian dilakukan 1 kali. Pengujian dilakukan

sebanyak 2 kali.

Pengujian di lakukan sebanyak 4x .

Pengujian Dilakukan sebanyak 2 kali.

BAB III

METODOLOGI PENELITIAN

3.1 Metode Pengumpulan Data

Pada penelitian ini penulis mengumpulkan data dan informasi yang dapat menunjang proses dalam penelitian dimana proses pengumpulan datanya sebagai berikut.

3.1.1 Studi Pustaka

Pada tahap pengumpulan data dengan studi pustaka ini penulis melakukan pengumpulan teori-teori yang berkaitan dengan penulisan skripsi sebagai bahan untuk melengkapi penelitian ini. Sumber teori berasal dari buku referensi, hasil penelitian (jurnal dan skripsi) dan artikel-artikel yang berkaitan dengan penelitian. Selain itu juga penulis juga mengunjungi beberapa situs-situs terkait aplikasi Clustering, text mining, preprocessing, algoritma k-means clustering, algoritma levenstein distance, algoritma nazief dan andriani, algoritma TF-IDF.

3.1.2 Studi Lapangan

Observasi mengambil data melalui Media Sosial secara manual yaitu komentar masyarakat Jakarta terhadap Pembatasan Sosial Berskala Besar (PSBB).

3.2 Metode Simulasi

Metode Simulasi ini digunakan untuk melihat hasil sentimen masyarakat dari objek yang diteliti yaitu komentar masyarakat Jakarta terhadap Pembatasan Sosial Berskala Besar (PSBB) dengan menggunakan algoritma k-means clustering dan algoritma levensthein distance sebagai normalisasi kata. Pada metode simulasi ini meliputi beberapa langkah atau tahap yang akan dilakukan yaitu:

3.2.1 Formulasi Masalah (Problem Formulation)

Tahap formulasi masalah merupakan langkah awal dalam perancangan pada model merode simulasi. Formulasi masalah merupakan suatu kegiatan untuk melakukan identifikasi masalah berdasarkan hasil penelitian sebelumnya. Dalam tahap formulasi masalah ini peneliti merumuskan sebuah masalah yaitu mengimplementasikan kombinasi algoritma k-means clustering dan algoritma levensthein distance dalam menganalisis sentimen komentar masyarakat Jakarta terhadap Pembatasan Sosial Berskala Besar (PSBB).

3.2.2 Model Pengkonsepan (Conceptual Model)

Pada tahapan ini peneliti membuat model konsep yang akan dilakukan yaitu membahasa keseluruhan penelitian ini. Konsep pertama membuat kosep pada proses text mining yang ingin digunakan. Kedua, dengan mengidentifikasikan input pada penelitian ini, yaitu komentar masyarakat Jakarta terhadap Pembatasan Sosial Berskala Besar (PSBB) dari akun instagram

@jktinfo dan @aniesbaswedan, kemudian komentar yang telah dikumpulkan kemudian diolah dan diproses secara manual untuk pelabelan terhadap data latih. Ketiga, membuat konsep untuk tahap uji pada skenario 1 yaitu dengan melihat hasil sentimen dan tingkat akurasi menggunakan algoritma k-means saja. Keempat, tahap uji pada skenario 2 yaitu melihat hasil sentimen dan tingkat akurasi menggunakan kombinasi algoritma K-Means dan dibantu algoritma Levensthein Distance sebagai normalisasi kata pada tahap pre-processing.

3.2.3 Data Masukan/Keluaran (Input/Output Data)

Data masukan seperti kamus kata dasar, kamus stopword, kamus untuk levensthein, dan data komentar yang didapat dari Instagram dijadikan input pada penelitian ini dalam aplikasi

berbasis PHP. Data yang diambil sebanyak 200 komentar. Data terdiri dari 150 komentar dijadikan data latih dan 50 komentar dijadikan data uji. Data pada aplikasi ini diolah menggunakan algoritma K-Means dan algoritma Levensthein Distance untuk menghasilkan output berupa hasil sentimen akhir dan tingkat akurasi dari skenario 1 dan skenario 2.

3.2.4 Pemodelan (Modelling)

Pada tahapan ini peneliti menentukan model skenario yang akan digunakan. Pada tahap ini penulis melakukan pemodelan dalam membuat rancangan sistem yang akan dibuat secara manual.

Pemodelan atau skenario yang dibuat yaitu skenario kombinasi antara algoritma K-Means dan algoritma Levensthein Distance dan skenario tanpa menggunakan algoritma Levensthein Distance (hanya menggunakan algoritma K-Means saja).

3.2.5 Simulasi

Pada tahapan ini, sistem akan dijalankan untuk mensimulasikan kinerja masing-masing algoritma suseai dengan konsep dan skenario yang telah ditentukan sebelumnya. Simulasi yang akan dilakukan adalah dengan melakukan input dataset latih dan uji. Melakukan pelabelan terhadap data latih secara manual untuk dikelompokkan sentimennya, melakukan pelatihan terhadap data latih dan melakukan clustering data uji. Hasil simulasi berupa perbandingan akurasi dari algoritma yang dijadikan,penelitian, kemudian akan dicatat dan kemudian dilakukan tahap verifikasi.

3.2.6 Verifikasi dan Validasi (Verification and Validation)

Pada tahapan ini peneliti mealukan verifikasi dan validasi dari tahapan sebelumnya. Pada tahap verifikasi dilakukan untuk memastikan adanya kesalahan atau tidak yang terjadi dalam beberapa tahapan atau proses simulasi. Sedangkan tahapan

validasi yang dilakukan untuk memastikan kesesuaian proses simulasi yang dibuat berdasarkan model pengkonsepan dengan formulasi masalah yang dibuat.

Pada intinya, verifikasi dan validasi bertujuan untuk menyakinkan hasil dari aplikasi sentimen ini sesuai dengan yang dikonsepkan sebelumnya

3.2.7 Eksperimentasi (Experimentation)

Pada tahapan ini peneliti melakukan eksperimen sesuai dengan model skenario yang dibuat pada saat tahap pemodelan.

Ekperimen disini bertujuan untuk mengevaluasi hasil simulasi aplikasi.

3.2.8 Analisis Keluaran (Output Analysis)

Tahapan analisis keluaran adalah tahapan simulasi yang paling terakhir. Peneliti melakukan analisa terhadap output-output berdasarkan skenario yang sudah dilakukan yaitu menghitung tingkat akurasi dari algoritma yang dijadikan penelitian.

3.3 Kerangka Berfikir

Berfikir merupakan suatu alur diagram yang menjelaskan proses berjalannya sebuah penelitian. Dalam penelitian ini, penulis mengacu pada alur penelitian sebagai berikut:

Mulai

Gambar 3. 1 Kerangka Berfikir

BAB IV

IMPLEMENTASI, SIMULASI, DAN EKSPERIMEN

4.1 Formulasi Masalah (Problem Formulation)

Pada tahap awal dimetode simulasi ini yaitu formulasi masalah, penulis melakukan identifikasi masalah berdasarkan hasi penelitian sebelumnya. Alhasil pada penelitian ini, penulis memformulasikan masalah penelitian pada kombinasi algoritma k-means dan algoritma normalisasi kata yaitu levensthein distance untuk dilakukan kombinasi terhadap kedua algoritma tersebut. Dengan hasil akhirnya yaitu sentiment masyarakat terhadap virus corona dan tingkat akurasi dari algoritma tersebut.

Data yang digunakan pada penelitian ini adalah komentar masyarakat terhadap pembatasan sosial berskala besar (psbb) yang diambil dari Instagram.

4.2 Model Pengkonsepan (Conceptual Model)

Pada tahap pemodelan konsep ini berkaitan dengan eksekusi dari sistem yang peneliti bangun, dari mulai masukan, proses, dan keluaran sistem tersebut. Berdasarkan tahap conceptual model pada sub bab 3.2.2, berikut ini merupakan alur keseluruhan dari sistem yang dibagun oleh peneliti.

4.2.1 Conceptual model pada text mining

Dalam penelitian saat ini, pemodelan pada text mining berkaitan dengan tahapan processing teks. Tahapan pre-processing dilakukan dengan membuat fungsi sendiri dalam pengkodean menggunakan bahasa pemrograman PHP. Pre-processing ini dilakukan dengan tujuan:

1. Menghilangkan kata-kata yang mengganggu proses sentimen, seperti url atau link, hastag pada komentar, angka-angka, maupun tanda baca.

2. Menyeragamkan bentuk kata menjadi kata dasar sesuai dengan KBBI.

3. Mengurangi kata yang tidak digunakan atau tidak berpengaruh terhadap penentuan sentimen, seperti aku, kamu, dia, kita, dll.

Adapun tambahan proses yang dilakukan pada penelitian ini sekaligus pembeda dari penelitian yang sebelum-sebelumnya di tahapan pre-processing ini yaitu proses normalisasi kata menggunakan algoritma levensthein distance, berikut tahap-tahap pre-processing pada penelitian saati ini meliputi proses-proses seperti yang digambarkan pada flow di bawah ini:

Teks

dokumen Case folding Tokenization Normalisasi kata

Stopword removal Stemming

Gambar 4. 1 Flowchart Tahapan Pre-Processing

Berikut penjelasan dari tahapan pre-processing:

1. Tahap awal di pre-processing yaitu proses case folding atau merubah semua kata menjadi huruf kecil semu

Gambar 4. 2 Flowchart Case Folding

2. Tahap ketiga yaitu melakukan proses tokenization, atau proses pemecahan suatu kalimat menjadi kata-kata.

Gambar 4. 3 Flowchart Tokenization

3. Proses selanjutnya yaitu melakukan proses menormalisasikan sebuah kata yang salah atau typo menggunakan algoritma levensthein distance dengan cara menghapus kata yang berlebih, menambah kata yang kurang, dan mengganti kata yang tidak sesuai.

Mulai

Hasil Tokenization

Membandingkan kata pada data awal

dengan database levensthein

Database levensthein

Kata awal != database levensthein

Menghitung matriks denan jarak terkecil antar huruf menggunakan

rumus levensthein distance:

d[i,j-1]+1 d[i-1,j]+1 d[i-1,j-1]+1

Hasil proses levensthein distance Menampilkan kata sugesti dengan jarak

terkecil

Menampilkan kata awal

Selesai Ya

Tidak

Gambar 4. 4 Flowchart Levensthein Distance

4. Selanjutnya melaukan proses stopword removal atau proses penghapusan kata-kata yang dianggap tidak penting, seperti dia, aku, kamu, pada, dan lainnya.

Mulai

Hasil Levensthein

Distance

Membandingkan kata dengan kamus

stopword

Kamus Stopword

Kata = kamus stopword

Hapus Kata

Kata awal

Selesai Hasil stopword

Tidak

Gambar 4. 5 Flowchart Stopword Removal

5. Tahap terakhir di pre-processing yaitu proses stemming atau merubah kata-kata imbuhan menjadi kata dasar sesuai KBBI menggunalan algoritma Nazief dan Adriani.

Mulai

Hasil stopword atau

kata awal

Membandingkan kata awal dengan kamus kata dasar

KBBI

Kata == kamus kbbi

Menghilangkan kata inflectional suffixes (“-lah”, “-kah”, “-ku”,

“-mu”, “-nya”)

Menghilangkan kata derivational suffixes (i”,

“-an”, “-kan”)

Menghilangkan kata derivational prefix (“di-”, “ke-”, “se-”, “te-”,

“be-”, “me-“, “pe-“)

Kata == kamus KBBI

Kata awal

Selesai

Kata dasar Kamus

KBBI

Tidak

Gambar 4. 6 Flowchart Stemming Algoritma Nazief dan Andriani

4.2.2 Conceptual model pada data latih

Konsep penentuan sentimen data latih pada penelitian ini dilakukan secara manual. Setelah diberikan sentimen pada setiap dokumen data latih, akan dilakukan proses pre-processing. Untuk lebih jelasnya lagi, alur pada data latih ini sebagai berikut:

Teks

dokumen Case folding Tokenization Normalisasi kata

Stopword removal Stemming

Indexing Pemberian

sentimen

Gambar 4. 7 Penentuan Sentimen Data Latih

Berikut contoh dari setiap proses saat melakukan penentuan sentimen pada data latih:

Teks dokumen :

KEBERSIHAN Sebagian dari IMAN a. Pemberian sentiment

Pada konsep data latih ini, pemberian sentimen akan diberikan secara manual dari setiap dokumen yang dijadikan data latih tersebut. Dimana sentimen yang akan dianalisis pada penelitan ini hanya sentiment positif dan sentiment negatif. Pada contoh ini penulis memberikan sentiment positif.

b. Case folding

Tabel 4. 1 Contoh Proses Case Folding

Teks dokumen Proses case folding KEBRSIHAN Sebagian dari kebrsihan sebagian dari

IMAN !!! iman !!!

c. Tokenization

Tabel 4. 2 Proses Tokenization

d. Normalisasi kata (menggunakan algoritma levensthein distance)

Tabel 4. 3 Contoh Proses Normalisasi Kata

Hasil tokenization Proses normalisasi

iman | | iman |

e. Stopword removal

Tabel 4. 4 Contoh Proses Stopword Removal

Hasil normalisasi Proses stopword removal

Hasil filtering Proses tokenization Kebersihan Sebagian dari

iman

| kebersihan | sebgaian | dari

| iman |

f. Stemming

Tabel 4. 5 Contoh Proses Stemming

g. Indexing

Pada tahap ini, dilakukan proses pengindeksan pada hasil pre-processing dan sentiment dari setiap dokumen. Pada inverted index akan tersimpan informasi berupa id dokumen, komentar, hasil pre-processing dan hasil sentimen.

4.2.3 Conceptual model sentimen dengan algoritma k-means

Skenario pertama pada penelitian ini secara alur dari analisa sentimen dengan menggunakan algoritma k-means tanpa bantuan algoritma levensthein distance sebagai algoritma normalisasi kata dapat dijelaskan pada gambar dibawah ini:

Hasil stopword removal

Proses stemming

Mulai

Data yang ingin di uji

Proses pre-processing

Proses pencocokan index data uji dengan

data latih

Proses pembobotan TF-IDF

Index data latih

Proses K-Means

Hasil Sentimen

k-means

Selesai Proses pelabelan sentimen manual

Hasil sentimen

manual

Proses pre-processing Hitung Akurasi dengan

Confusion Matrix

Hasil Akurasi

Gambar 4. 8 Flowchart Proses Sentimen Skenario 1

Berikut penjelasan dari setiap proses saat melakukan penentuan sentimen menggunakan k-means:

1) Mengumpulkan data yang ingin di uji

2) Melakukan proses pre-processing tanpa bantuan algoritma levensthein distance sebagai algoritma normalisasi kata pada data uji

3) Hasil index dari pre-processing pada data uji, dicari yang cocok atau yang sama pada index data latih. Kemudian ambil kalimat yang terdapat index yang cocok atau sama itu untuk ke tahap selanjutnya.

4) Lakukan pembobotan kata pada index yang ada pada kalimat yang sudah diambil ditahap sebelumnya dan data ujinya menggunakan algoritma tf-idf dan diambil nilai total weightingnya untuk diproses ditahap selanjutnya.

5) Dari nilai total weighting yang sudah didapat dari proses tf-idf akan diproses menggunakan algoritma k-means untuk menentukan sentimennya. Alur dari algoritma k-means dapat digambarkan seperti berikut:

Mulai

Jumlah k cluster

Menentukan centroid awal dai setiap cluster

Hitung jarak objek ke centroid menggunakan rumus Euclidean Distance

Membagi data berdasarkan kedekatan dengan centroid (jarak terkecil)

Tidak ada data yang berubah

Selesai

Memperbaharui nilai centroid dengan menghitung rata-rata setiap cluster

Tidak

Gambar 4. 9 Flowchart Proses Algoritma K-Means

6) Menentukan pelabelan sentimen secara manual terhadap data uji sebagai perbandingan pada tahap akhir nanti.

7) Hitung akurasi dari perbandingan yang sudah dilakukan sebelumnya antara sentimen yang dihasilkan dari algoritma k-means dan sentimen dari pelabelan manual menggunakan rumus confusion matrix. Kalau sentimen yang dihasilkan keduanya sama maka akurasinya baik, dan sebaliknya kalau sentimen yang dihasilkan keduanya berbeda maka akurasi tidak baik.

8) Mendapatkan nilai akurasi dari scenario pertama.

4.2.4 Conceptual Model Sentimen Algoritma K-Means dengan bantuan Algoritma Levensthein Distance

Skenario kedua pada penelitian ini secara alur dari analisa sentimen dengan menggunakan algoritma k-means dan bantuan algoritma levensthein distance sebagai algoritma normalisasi kata dapat dijelaskan pada gambar dibawah ini:

Mulai index data uji dengan

data latih Hitung Akurasi dengan

Confusion Matrix

Hasil Akurasi

Gambar 4. 10 Flowchart Proses Sentimen Skenario 2

Berikut penjelasan dari setiap proses saat melakukan penentuan sentimen menggunakan k-means dan levensthein distance:

1) Mengumpulkan data yang ingin di uji

2) Melakukan proses pre-processing dengan bantuan algoritma levensthein distance sebagai algoritma normalisasi kata pada data uji

3) Hasil index dari pre-processing pada data uji, dicari yang cocok atau yang sama pada index data latih. Kemudian ambil kalimat yang terdapat index yang cocok atau sama itu untuk ke tahap selanjutnya.

5) Dari nilai total weighting yang sudah didapat dari proses tf-idf akan diproses menggunakan algoritma k-means untuk menentukan sentimennya. Setelah melakukan proses k-means, cari di cluster manakah data ujinya berada. Setelah ditemukan, hiraukan cluster yang lainnya. Kemudian kita lihat sentiment apakah yang paling banyak pada cluster tersebut. Dan itulah hasil sentimen yang kita ambil.

6) Menentukan pelabelan sentimen secara manual terhadap data uji sebagai perbandingan pada tahap akhir nanti.

8) Mendapatkan nilai akurasi dari scenario kedua.

4.3 Data Masukan/Keluaran (Input/Output Data)

Pada penelitian ini data yang diperoleh sebagai data input yaitu komentar-komentar masyarakat terhadap virus corona yaitu sebanyak 200 data yang diambil dari komentar Instagram. Dimana proses pengambilan data ini dinamakan dengan teknik crawling. Pada pengambilan data dari sosial media peneliti mengambilnya secara manual. Selain data-data komentar yang dikumpulkan pada penelitian ini yaitu kamus kata dasar KBBI, stopwords, dan kamus levensthein.

Hasil atau output yang didapatkan dari penelitian ini yaitu sentimen akhir dari suatu komentar dan hasil akurasi pada skenario pertama dan kedua.

4.4 Pemodelan (Modelling)

Dalam modelling phase atau fase pemodelan pada penelitian ini, dilakukan pemodelan konstruksi analisis sentimen dengan menggunakan algoritma k-means saja dan kombinasi algoritma k-means dan algoritma levensthein distance sebagai algoritma normalisasi kata. Berikut ini dapat dilihat pemodelan-pemodelan tersebut secara lengkap.

4.4.1 Kontruksi Sentimen pada Algoritma K-Means

Konstruksi menggunakan algoritma k-means dalam menentukan sentimen ini merupakan salah satu skenario di dalam penelitian saat ini. Dimana dalam penentuan sentimen menggunakan algoritma k-means membutuhkan proses penunjang lainnya agar hasilnya lebih maksimal. Secara keseluruhan konstruksi analisa sentimen menggunakan algoritma k-means dapat dijelaskan dibawah ini (konsep diambil dari sub-bab 4.2.3 dan dapat dilihat pada gambar 4.8):

1. Pelatihan data latih

Proses contoh dalam pelatihan data latih (konsep diambil dari sub-bab 4.2.2 dan dapat dilihat pada gambar 4.7):

a. Mengumpulkan dokumen yang didapat dari kumpulan komentar yang sudah dicrawling sebelumnya. Sebagai contoh digunakan 8 dokumen sebagai data latih.

Tabel 4. 6 Dokumen data latih

No Komentar

1 Doa Kami selalu untuk pak Anies, pemimpin yg amanah.

Semoga pak anies sekeluarga diberi kesehatan dan keselamatan.

2 Ekonomi, kebenaran,kesehatan,buktiin dulu sih kebenarannya apa? Gedeg gua lama lama

3 krn psbb pendidikan saya gak mutu. Jangan salahin generasi selanjutnya yak lo pemerintahan ntar bobrok gegara daring. Krn otak ku online

4 Kopad kopid . gagal lagi nih dapet kerjaan. Kosan kaga kebayar makan susah cicilan nunggk gara gara PHK 5 Mundur aja pak mundur

6 Yg paling penting sehat ya semuanya, semangat pakkk 7 @aniesbaswedan PSBB PERPANJANG SMPE KIAMAT

YA A.. BIAR MANUSIA INDO PADA MATI KELAPARAN

8 RASANYA ANJING BANGET GW PSBB MULU DIRUMAH NGK NGAPANGAPAIN

b. Memberikan sentimen secara manual setiap dokumennya

Tabel 4. 7 Penentuan Sentimen Data Latih

NO. KOMENTAR SENTIMEN

1 Doa Kami selalu untuk pak Anies, pemimpin yg amanah. Semoga pak anies

sekeluarga diberi kesehatan dan keselamatan.

Positif

2 Ekonomi, kebenaran,kesehatan,buktiin dulu sih kebenarannya apa? Gedeg gua lama lama

Negatif

3 krn psbb pendidikan saya gak mutu. Jangan salahin generasi selanjutnya yak lo pemerintahan ntar bobrok gegara daring.

Krn otak ku online

Negatif

4 Kopad kopid . gagal lagi nih dapet kerjaan.

Kosan kaga kebayar makan susah cicilan nunggk gara gara PHK

Negatif

5 Mundur aja pak mundur Negatif

6 Yg paling penting sehat ya semuanya, semangat pakkk

Posistif

7 @aniesbaswedan PSBB PERPANJANG SMPE KIAMAT YA A.. BIAR MANUSIA

INDO PADA MATI KELAPARAN

Negatif

8 RASANYA ANJING BANGET GW PSBB MULU DIRUMAH NGK

NGAPANGAPAIN

Negatif

c. melakukan proses case folding

Tabel 4. 8 Hasil Proses Case Folding

NO. KOMENTAR

1 doa kami selalu untuk pak anies, pemimpin yg amanah.

Semoga pak anies sekeluarga diberi kesehatan dan keselamatan.

2 ekonomi, kebenaran,kesehatan,buktiin dulu sih kebenarannya apa? gedeg gua lama lama

3 krn psbb pendidikan saya gak mutu. jangan salahin

d. Melakukan proses filtering

Tabel 4. 9 Hasil Proses Filtering

generasi selanjutnya yak lo pemerintahan ntar bobrok gegara daring. krn otak ku online

4 kopad kopid . gagal lagi nih dapet kerjaan. kosan kaga kebayar makan susah cicilan nunggk gara gara phk

5 mundur aja pak mundur

6 yg paling penting sehat ya semuanya, semangat pakkk 7 @aniesbaswedan psbb perpanjang smpe kiamat ya a.. biar

manusia indo pada mati kelaparan

8 rasanya anjing banget gw psbb mulu dirumah engk ngapangapain

NO. KOMENTAR

Dalam dokumen Skripsi. Oleh : Mochamad Fadli NIM : (Halaman 31-0)