Analisis sentimen data twitter menggunakan K-Means Clustering.

(1)

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

(2)

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

(3)

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

(4)

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

(5)

(6)

(7)

v MOTTO

“Whatsoever one would understand what he hears must hasten to put into practice

(8)

(9)

(10)

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

(11)

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

(12)

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

(13)

(14)

xii

PERNYATAAN KEASLIAN KARYA ... VI

LEMBAR PERSETUJUAN PUBLIKASI KARYA ILMIAH UNTUK

KEPENTINGAN AKADEMIS ... VII

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

(15)

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

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

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

(16)

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

(17)

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

(18)

xvi

(19)

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

(20)

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

(21)

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,

(22)

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.

(23)

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

(24)

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

(25)

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

(26)

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

(27)

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,

(28)

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,

(29)

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).

(30)

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

(31)

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,

(32)

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

Adriani memiliki 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”)

(33)

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-”,

(34)

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

(35)

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”

(36)

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”

(37)

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:

, = , ∗ �

� = � �

(38)

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 �

(39)

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

(40)

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

(41)

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

(42)

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:

� �� (�, ) = ∑= � .

√(∑₌ �) .√(∑₌ )

(43)

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

(44)

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

(45)

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

(46)

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

(47)

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

@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 ;(

(48)

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

@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,

(49)

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

@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

(50)

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 :

(51)

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

(52)

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

(53)

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

(54)

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

(55)

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.

(56)

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

(57)

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,

(58)

38

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

Gambar 3.8 Tokenizing Tweet Marah

(59)

39

Tokenizing tweet sedih

Inilah saat terakhirku melihat passus, jatuh air mataku menangis pilu. Hanya mampu ucapkan selamat jalan passus,,, :'(

Gambar 3.9 Tokenizing Tweet Sedih

adalah tweet yang mengandung emosi sedih.

Tokenizing tweet senang

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

Gambar 3.10 Tokenizing Tweet Senang

(60)

40

Gambar 3.11 Tokenizing Tweet Takut

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

(61)

41

Gambar 3.12 Stopword Removal Tweet Cinta

proses stopword removal. Kalimat tweet yang digunakan pada gambar

di atas adalah tweet yang mengandung emosi cinta.

Stopword removal tweet marah

Gambar 3.13 Stopword Removal Tweet Marah

(62)

42

Gambar 3.14 Stopword Removal Tweet Sedih

di atas adalah tweet yang mengandung emosi sedih.

Stopword removal tweet senang

Gambar 3.15 Stopword Removal Tweet Senang

(63)

43

Gambar 3.16 Stopword Removal Tweet Takut

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

(64)

44

proses stemming. Kalimat tweet yang digunakan pada gambar di atas

adalah tweet yang mengandung emosi cinta.

Stemming tweet marah

Gambar 3.18 Stemming Tweet Marah

adalah tweet yang mengandung emosi marah.

Stemming tweet sedih

Gambar 3.19 Stemming Tweet Sedih

(65)

45

Gambar 3.20 Stemming Tweet Senang

adalah tweet yang mengandung emosi senang.

Stemming tweet takut

Gambar 3.21 Stemming Tweet Takut

(66)

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

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