Aplikasi Pembangunan Kalimat Bernuansa Positif Berbasis Tweet dengan Menggunakan Algoritma Genetika.

(1)

Universitas Kristen Maranatha

ABSTRAK

Dengan munculnya berbagai media sosial, banyak orang yang menuliskan bermacam-macam hal, salah satunya memberikan menuliskan motivasi. Dengan demikian, dibuatlah penelitian untuk membuat sebuah kalimat yang memiliki makna positif berdasarkan kalimat-kalimat bermakna positif yang dibagikan oleh pengguna media sosial. Pembentukan kalimat dilakukan dengan menggunakan algoritma genetika. Proses pembangunan kalimat pada penelitian ini dibagi menjadi empat bagian utama, yaitu pengambilan data, pengolahan data, pemecahan data menjadi frasa, dan proses algoritma genetika. Data yang dipakai pada penelitian ini berasal dari sebuah akun Twitter milik Tenzin Gyatzo (@DalaiLama). Proses pengolahan data pada penelitian ini adalah membuang semua tweet yang memiliki tautan atau hashtag. Dalam proses pemecahan data menjadi frasa digunakan sebuah parser untuk Bahasa Ingris milik Stanford University. Pengujian atau evaluasi pada penelitian ini dilakukan dengan menggabungkan dua penilaian yaitu nilai dari parser dan nilai Semantic Relatedness. Simpulan dari penelitian ini proses evaluasi yang dilakukan belum cukup untuk menghasilkan kalimat yang memiliki struktur yang benar. Perlu digunakan metode Semantic Role Labeling untuk menyempurnakan proses evaluasi pada penelitian ini.

(2)

ABSTRACT

With the emergence of social media, a lot of people write a various things, one of them give some motivation. Therefore, made a research about create a sentence that has a positive meaning based by positive sentence that contained in social media. Generating process is performed using genetic algoritm. Generating process in this research were devided into 4 main section, there is collecting data, data processing, manufacture of phrases, and evaluation process. The data obtained from Twitter’s user Tenzin Gyatzo (@DalaiLama). In the data processing section the tweet with the link and hashtag will be discarded. In the manufacture of phrases section the process will use a Stanford’s English Parser. Testing will be done with two appraisal, the first one is using score from parser and the second one is using score from Semantic Relatedness. Conclusions of this research are the evaluation process is not good enough to produce a sentence with a good structure. The Semantic Role abeling is needed to improve the evaluation process.

(3)

DAFTAR ISI

LEMBAR PENGESAHAN ... i

PERNYATAAN ORISINALITAS LAPORAN PENELITIAN ... ii

PERNYATAAN PUBLIKASI LAPORAN PENELITIAN ... iii

PRAKATA ... iv

DAFTAR SOURCE CODE ... xiii

BAB I PENDAHULUAN ... 1

2.2. Pemrosesan Bahasa Alami ... 6

2.2.1. Definisi ... 6

2.2.2. Stanford English Parser ... 6

2.3. Twitter ... 7

2.3.1. Definisi ... 7

(4)

2.4. Information Retrieval ... 8

2.4.1. Definisi ... 8

2.4.2. Apache Lucene.Net ... 9

2.5. Semantic Relatedness ... 9

2.5.1. Definisi ... 9

2.5.2. WordNet Similarity for Java (WS4J) ... 9

BAB III ANALISIS DAN RANCANGAN SISTEM ... 11

3.1. Konsep Perbedaan Information Retrieval Dan Creative Generative Language Processing ... 11

3.2. Analisa Statistik Tweet DalaiLama ... 11

3.3. Rancangan Eksperimen ... 11

3.3.1. Pengambilan Data ... 12

3.3.2. Pengolahan Data ... 12

3.3.3. Pemecahan Data Menjadi Frasa ... 13

3.3.4. Eksperimen ... 14

3.4. Desain Perangkat Lunak ... 18

3.4.1. Pemodelan Perangkat Lunak ... 18

3.4.2. Desain Antarmuka ... 25

BAB IV PENGEMBANGAN PERANGKAT LUNAK ... 28

4.1. Implementasi Modul / Class ... 28

4.1.1. Class Diagram ... 28

4.1.2. Implementasi Method dan Algoritma ... 32

4.2. Implementasi Antarmuka ... 33

4.2.1. Implementasi Form Halaman Utama ... 34

4.2.2. Implementasi Form Generate Sentence... 34

4.2.3. Implementasi Form Get Tweet ... 35

(5)

5.1. Penyempurnaan ... 36

5.1.1. Kamus Sinonim Offline ... 36

5.1.2. Penyempurnaan Pada Proses Semantic... 36

5.2. Pengujian Terhadap Jumlah Generasi ... 37

5.3. Perbandingan Penilaian Menggunakan Semantic Relatedness ... 38

5.4. Hipotesis dan Perbaikan untuk Metode Evaluasi ... 39

5.4.1. Hipotesis ... 39

5.4.2. Perbaikan untuk Metode Evaluasi ... 39

5.5. Perbandingan Kalimat Hasil Genetic Algorithm dan Information Retrieval (Lucene.Net) ... 40

BAB VI SIMPULAN DAN SARAN ... 41

6.1. Simpulan ... 41

6.2. Saran ... 41

(6)

DAFTAR GAMBAR

Gambar 2.1 Proses Kawin Silang ... 5

Gambar 2.2 Proses Mutasi ... 5

Gambar 2.3 Contoh Pohon Hasil Penyatuan Kata ... 7

Gambar 3.1 Contoh Tweet Yang Memiliki Hashtag dan tautan ... 12

Gambar 3.2 Contoh Tweet Yang Dapat Digunakan ... 13

Gambar 3.3 Gambar Hasil Parsing Menggunakan Stanford Parser ... 13

Gambar 3.4 Frasa Yang Dihasilkan Dan Nilai Dari Sub-Tree ... 14

Gambar 3.5 Kalimat yang Dikawin Silangkan ... 16

Gambar 3.6 Hasil Kawin Silang ... 16

Gambar 3.7 Kalimat yang Dimutasi ... 17

Gambar 3.8 Hasil Mutasi ... 17

Gambar 3.9 Use Case Diagram Sistem ... 18

Gambar 3.10 Activity Diagram Penarikan Data Tweet ... 20

Gambar 3.11 Activity Diagram Pemilihan Tweet ... 21

Gambar 3.12 Activity Diagram Generate Kalimat ... 23

Gambar 3.13 Activity Diagram Pembuatan Kalimat Acak ... 24

Gambar 3.14 Desain Antarmuka Form Halaman Utama ... 25

Gambar 3.15 Desain Antarmuka Form Generate Sentence : Configuration ... 25

Gambar 3.16 Desain Antarmuka Form Generate Sentence : Detail ... 26

Gambar 3.17 Desain Antarmuka Form Get Tweet ... 27

Gambar 4.1 Struktur Class Individu ... 28

Gambar 4.2 Struktur Class StanfordParser ... 29

Gambar 4.3 Struktur Class Synonym ... 29

Gambar 4.4 Struktur Class Tweet ... 30

Gambar 4.5 Struktur Class LuceneClasses ... 31

Gambar 4.6 Struktur Class GeneticAlgorithm ... 31

Gambar 4.7 Implementasi Antarmuka Form Halaman Utama ... 34

Gambar 4.8 Implementasi Antarmuka Form Generate Sentence : Configuration ... 34

Gambar 4.9 Implementasi Antarmuka Form Generate Sentence : Detail ... 35

Gambar 4.10 Implementasi Antarmuka Form Get Tweet ... 35

Gambar 5.1 Grafik Perbandingan Nilai Fitness dengan Generasi 1 ... 37

Gambar 5.2 Grafik Perbandingan Nilai Fitness dengan Generasi 2 ... 37

(7)

(8)

DAFTAR TABEL

(9)

DAFTAR SOURCE CODE

(10)

1

BAB I

PENDAHULUAN

1.1. Latar Belakang

Perkembangan teknologi membawa perubahan bagi hidup manusia, salah satu perkembangan teknologi yang paling berpengaruh dengan kehidupan manusia adalah internet. Sejak ditemukannya teknologi internet, manusia dapat berkomunikasi dan bersosialisasi dengan lebih mudah. Seiringan dengan berkembangnya internet, pemanfaatan internet untuk sarana berkomunikasi semakin bertambah banyak, salah satunya yang paling banyak digunakan saat ini adalah jejaring sosial. Terdapat banyak sekali jejaring sosial pada saat ini, contohnya seperti Twitter, Facebook, Path, dan Instagram. Dalam jejaring sosial orang-orang bebas menuliskan apa yang ada dalam pikiran mereka.

Salah satu hal yang dianggap penting dalam proses interaksi pada jejaring sosial adalah memberikan motivasi ataupun kata-kata bernuansa positif untuk membangkitkan semangat orang lain. Permasalahan yang sering muncul adalah terkadang sulit untuk dapat mengungkapkan kata-kata pembangkit semangat tersebut, padahal dalam berbagai sumber jejaring sosial ada tokoh-tokoh yang senantiasa memberikan tweet ataupun pendapat yang seringkali menjadi sumber inspirasi, seperti misalnya Tenzin Gyatso. Oleh karena penting dianggap perlu untuk dapat mempelajari pola-pola penyusun kalimat dalam bentuk rangkaian kata (frasa) sehingga dapat dihasilkan sebuah kalimat yang mendekati kebiasaan tokoh tersebut terkait dengan suatu tema tertentu. Misalnya Dalai Lama memiliki beberapa kicauan terkait topik ‘happiness’ seperti berikut:

“Many think that happiness is to be found outside ourselves in material things, but actually happiness is something that comes from within” (Gyatso, 2015).

(11)

2

Universitas Kristen Maranatha 1.2. Rumusan Masalah

Berdasarkan latar belakang yang telah dijabarkan, masalah yang muncul adalah bagaimana membuat sebuah aplikasi yang dapat membangun kalimat bernuansa positif dengan memanfaatkan kumpulan frasa yang disusun menggunakan algorima genetika. 1.3. Tujuan Pembahasan

Berdasarkan latar belakang dan rumusan masalah, maka dapat diambil tujuannya yaitu membuat aplikasi yang mampu membangun kalimat bernuansa positif melalui kumpulan frasa yang sudah diidentifikasi dengan memanfaatkan algoritma genetika. 1.4. Batasan Masalah

Batasan masalah yang terdapat pada penelitian ini adalah:

a. Memilih satu jenis kalimat bernuansa positif, yaitu kalimat motivasi spiritual.

b. Mengambil kumpulan tweet hanya dari satu akun, yaitu dari akun Tenzin Gyatso (@dalailama).

c. Tweet yang digunakan hanya yang tidak memiliki hashtag atau link di dalamnya. d. Kalimat yang dibentuk hanya dalam Bahasa Inggris.

e. Aplikasi yang dihasilkan memerlukan koneksi internet. 1.5. Sumber Data

Sumber data yang digunakan untuk pembuatan aplikasi ini diperoleh dari tweet akun milik Tenzin Gyatso (@dalailama).

1.6. Sistematika Penyajian

Sistematika penyajian dari penyusunan laporan ini adalah sebagai berikut: BAB I Pendahuluan

Bab ini menjelaskan latar belakang masalah, rumusan masalah, tujuan pembahasan, ruang lingkup kajian, sumber data, dan sistematika penyajian.

BAB II Landasan Teori

(12)

3

Universitas Kristen Maranatha BAB III Analisis Dan Rancangan Sistem

Bab ini menjelaskan analisis masalah dan rancangan sistem untuk membangun aplikasi ini.

BAB IV Pengembangan Perangkat Lunak

Bab ini menjelaskan hasil perencanaan tahap implementasi, proses perkembangan implementasi proyek, penjelasan mengenai realisasi fungsionalitas dan User Interface Design yang sudah dibuat.

BAB V Testing dan Evaluasi Sistem

Bab ini menjelaskan hasil dari uji coba penelitian dan pembahasannya. BAB VI Kesimpulan dan Saran

(13)

36

BAB V

PEMBAHASAN DAN UJI COBA HASIL PENELITIAN

5.1. Penyempurnaan

Berikut adalah penyempurnaan yang sudah dilakukan pada aplikasi untuk memaksimalkan kinerja sistem.

5.1.1.Kamus Sinonim Offline

Pada saat generate kalimat, kata kunci yang telah diberikan akan dicari sinonimnya. Pencarian sinonim tersebut dilakukan dengan cara mengkases sebuah halaman website yang menyediakan sinonim kata dalam Bahasa Inggris. Permasalahan yang muncul

adalah ketika tidak terdapat koneksi internet, maka dari itu dibuat sebuah mekanisme dimana pada saat selesai mencari sinonim, hasilnya akan disimpan kedalam file teks sehingga untuk setiap kata kunci hanya dilakukan pencarian ke internet sebanyak satu kali, selebihnya akan mengakses melalui file teks yang sudah dibuat. Hal ini membuat proses pencarian sinonim lebih cepat terhadap kata kunci yang sudah pernah diberikan sebelumnya karena tidak perlu mengakses internet, hanya perlu membaca file teks yang telah disimpan. Selain itu hal ini juga memungkinkan untuk mengakses sinonim kata kunci yang sudah pernah diberikan pada kondisi tidak terdapat koneksi internet.

5.1.2.Penyempurnaan Pada Proses Semantic

Salah satu yang menjadi penentu kualitas kalimat yang dihasilkan pada sistem adalah nilai semantic. Nilai semantic ini didapatkan melalui sebuah tools (WS4J) dalam bahasa Java yang dijalankan melalui sistem. Waktu proses untuk mendapat nilai semantic ini cukup lama yaitu untuk mendapatkan nilai semantic antar 2 buah kata memerlukan waktu hampir 3 detik. Hal tersebut menjadi masalah karena untuk mendatkan nilai semantic dari sebuah kalimat, setiap kata dalam kalimat tersebut dipasangkan dan dinilai satu persatu, contoh untuk sebuah kalimat yang terdiri dari 21 kata, jumlah kemungkinan pasangan katanya adalah 210 pasang. Maka untuk menjalankan mendapat nilai semantic untuk kalimat tersebut memerlukan 210 x 3 detik, atau sekitar 10,5 menit.

(14)

37

Universitas Kristen Maranatha sistem dijalankan beberapa kali waktu tersebut menjadi semakin berkurang hingga saat ini untuk membuat 200 individu awal diperlukan waktu hanya sekitar 2 menit saja.

5.2. Pengujian Terhadap Jumlah Generasi

Salah satu faktor yang menentukan dari konfigurasi proses genetika adalah jumlah generasi. Jumlah generasi ini mempengaruhi beberapa hal dalam proses genetika salah satu contohnya adalah nilai fitness setiap individu. Untuk melihat hubungan antara jumlah generasi dengan nilai probabilitas dilakukan percobaan dengan hasil sebagai berikut.

Gambar 5.1 Grafik Perbandingan Nilai Fitness dengan Generasi 1

Gambar 5.1 dan Gambar 5.2 merupakan grafik perbandingan nilai fitness dengan jumlah generasi yang menggunakan 163 data tweet dan dengan jumlah individu awal 200. Perbedaan terhadap kedua gambar tersebut terletak pada probabilitas mutasi dan kawin silangnya. Gambar 5.1 memiliki probabilitas mutasi 75% dan probabilitas kawin silang 50%, sedangkan Gambar 5.2 memiliki probabilitas mutasi 25% dan probabilitas kawin silang 50%.

Gambar 5.2 Grafik Perbandingan Nilai Fitness dengan Generasi 2 0.00E+00

Perbandingan Jumlah Generasi Terhadap Nilai Fitness 1

0.00E+00

(15)

38

Universitas Kristen Maranatha Berdasarkan Gambar 5.1 dan Gambar 5.2, dapat dilihat bahwa parameter yang digunakan pada Gambar 5.1 lebih baik karena dapat menghasilkan nilai fitness yang lebih tinggi dibandingkan dengan Gambar 5.2. Grafik dari kedua gambar tersebut hampir serupa, keduanya kenaikan nilai fitness yang tidak signifikan pada awal generasi (generasi 1 sampai 28 untuk Gambar 5.1, dan generasi 1 sampai 19 untuk Gambar 5.2), setelah itu mengalami kenaikan nilai fitness yang signifikan (generasi 29 sampai 40 untuk Gambar 5.1, dan generasi 20 sampai 27 untuk Gambar 5.2), sampai akhirnya nilai fitness kembali tidak mengalami kenaikan yang signifikan.

Selain itu berdasarkan Gambar 5.1 dan Gambar 5.2 dapat dilihat bahwa semakin besar jumlah generasi yang dilakukan maka nilai fitness juga semakin baik sampai generasi ke 40 untuk Gambar 5.1 dan generasi 25 untuk Gambar 5.2, tetapi berdasarkan hasil generasi pada Gambar 5.3 dapat dilihat semakin besar jumlah generasi semakin serupa kalimat yang dihasilkan. Hal tersebut terjadi, karena pada setiap proses genetika individu dikawin silangkan hanya individu yang hampir mirip, sehingga menghasilkan individu yang semakin mirip juga.

Gambar 5.3 Hasil Generasi ke 5, 10, dan 15 5.3. Perbandingan Penilaian Menggunakan Semantic Relatedness

(16)

39

Universitas Kristen Maranatha Gambar 5.4 Hasil Generasi ke 5,10 dan 15 Tanpa Nilai Semantic

5.4. Hipotesis dan Perbaikan untuk Metode Evaluasi

5.4.1. Hipotesis

Hipotesis sementara untuk permasalahan pada bagian 5.2, adalah kalimat yang dihasilkan oleh sistem masih kurang baik, karena kalimat yang dihasilkan masih tidak memiliki struktur kalimat yang benar seperti pada Gambar 5.3 dan Gambar 5.4, sehingga membuat kalimat tersebut menjadi tidak bermakna. Hal tersebut diakibatkan karena dalam proses penilaian sistem tidak dapat menentukan bagaimana struktur kalimat yang baik atau tidak. Nilai semantic yang ditambahkan ke dalam penilaian tidak cukup untuk membuat kalimat yang memiliki struktur yang baik, karena kalimat yang memiliki kata-kata yang saling berhubungan tidak menjamin akan memiliki struktur kalimat yang bagus.

5.4.2. Perbaikan untuk Metode Evaluasi

(17)

40

Universitas Kristen Maranatha Gambar 5.5 Contoh Semantic Role Labeling

Dengan memanfaatkan Semantic Role Labeling maka diharapkan sistem dapat menilai sebuah kalimat memiliki struktur yang baik atau tidak. Metode tersebut juga dapat dimanfaatkan pada saat pembuatan individu awal atau pada saat melakukan proses kawin silang maupun mutasi.

5.5. Perbandingan Kalimat Hasil Genetic Algorithm dan Information Retrieval

(Lucene.Net)

Gambar 5.6 merupakan perbandingan antara kalimat yang dihasilkan oleh algoritma genetik dan kalimat yang dihasilkan oleh information retrieval menggunakan Lucene.Net. Masing-masing kalimat tersebut memiliki kekurangan dan kelebihannya masing-masing. Untuk kalimat yang dihasilkan oleh Lucene.Net memiliki kelebihan dibandingkan dengan kalimat hasil algoritma genetik adalah kalimat yang dihasilkan memiliki struktur kalimat yang bagus dan sesuai dengan tema yang diberikan. Sedangkan kekurangannya adalah kalimat yang hasilkan terpaku pada data yang ada, jadi tidak bisa menghasilkan kalimat lain selain kalimat yang sudah disediakan sebelumnya. Begitu juga sebaliknya kalimat yang dihasilkan oleh algoritma genetik memiliki kekurangan pada struktur kalimatnya yang kurang bagus, akan tetapi algoritma genetik dapat menghasilkan kalimat yang lebih beragam tidak terpaku pada data yang ada.

(18)

41

BAB VI

SIMPULAN DAN SARAN

6.1. Simpulan

Simpulan yang diperoleh dari hasil analisis, pengambilan data, implementasi, dan pengujian aplikasi ini adalah:

1. Pembuatan aplikasi untuk membangun kalimat bernuansa positif tidak memberikan hasil yang maksimal dikarenakan kalimat yang dihasilkan tidak memiliki struktur kalimat yang baik.

2. Kalimat yang dihasilkan oleh aplikasi ini memiliki struktur kalimat yang tidak benar sehingga kalimat menjadi tidak bermakna.

3. Besaran individu maksimal pada sebuah proses algoritma genetika dapat mempengaruhi banyaknya kemungkinan individu baru yang dapat dihasilkan.

4. Semakin tinggi jumlah generasi yang dilakukan akan menghasilkan kalimat yang semakin sejenis atau serupa.

5. Proses evaluasi yang hanya melihat nilai probabilitas, nilai semantic, dan kandungan kata dalam kalimat tidak dapat menghasilkan kalimat yang memiliki struktur yang baik.

6.2. Saran

Berikut ini adalah saran-saran yang bisa dipakai untuk mengembangkan aplikasi: 1. Manfaatkan metode Semantic Role Labeling untuk proses evaluasi kalimat.

2. Menambah jumlah sumber data tweet, agar kalimat yang dihasilkan lebih beragam. 3. Mencari solusi yang lebih baik pada saat milihan frasa yang tepat untuk dijadikan

sebuah kalimat.

4. Mencari solusi yang lebih baik pada saat pembangunan individu awal agar lebih cepat dan baik.

5. Struktur kalimat yang kurang baik dapat mengakibatkan sebuah kalimat menjadi tidak memiliki makna.

(19)

42

DAFTAR PUSTAKA

Dictionary.com, LLC. (2015). About Us. Retrieved from Dictionary.com: http://content.dictionary.com/

Faisal, F. A. (2009). Algoritma Genetik. Yogyakarta: GRAHA ILMU.

Gyatso, T. (2015, September 28). Dalai Lama (@DalaiLama). Retrieved from Twitter: https://twitter.com/DalaiLama?ref_src=twsrc%5Egoogle%7Ctwcamp%5Eserp% 7Ctwgr%5Eauthor

Hassan, S., & Mihalcea, R. (2011, April). Semantic Relatedness Using Salient Semantic Analysis. AAAI Conferences on Artificial Intelegence (pp. 885-889). Texas: AAAI.

Retrieved from aaai.org:

http://www.aaai.org/ocs/index.php/AAAI/AAAI11/paper/download/3616/3972/ KARTIKA, M. A. (2014). PENCOCOKAN KATA SECARA ACAK DENGAN

METODE ALGORITMA GENETIKA MENGGUNAKAN PROGRAM

PASCAL. Jurnal Matematika UNAND Vol. 2 No. 2, 1-9.

Pardede, J., Barmawi, M., & Pramono, W. (2013). IMPLEMENTASI METODE GENERILIZED VECTOR SPACE MODEL PADA APLIKASI INFORMATION RETRIEVAL. Jurnal Informatika, 57-68.

Saputra, B. A., Sa'adah, S., & Bijaksana, A. (2014). Analisis dan Implementasi Pengukuran Semantic Relatedness Menggunakan Salient Semantic Analysis dengan Keyword Extraction Sebagai Preprocessing. Bandung: Universitas Telkom.

Shima, H. (2013, May 14). ws4j - WordNet Similarity for Java. Retrieved from Google Code: https://code.google.com/p/ws4j/

The Apache Software Foundation. (2012). Welcome To Apache Lucene. Retrieved from Apache Lucene: https://lucene.apache.org/

The Apache Software Foundation. (2013). Apache Lucene.Net. Retrieved from Apache Lucene.Net: https://lucenenet.apache.org/

(20)

43

Universitas Kristen Maranatha Tweetinvi. (2015, September 1). Tweetinvi a friendly Twitter C# library. Retrieved from CodePlex Project Hosting for Open Source Software: https://tweetinvi.codeplex.com/

University of Illinois at Urbana-Champaign. (2014). Illinois Semantic Role Labeler (SRL).

Retrieved from Cognitive Computation Group: