51
Social Network Analysis dan Rancang Bangun Website Informasi Publik Pada Kementerian Keuangan, Muhamad Calvin Syah Putra, Universitas Multimedia Nusantara
52
Social Network Analysis dan Rancang Bangun Website Informasi Publik Pada Kementerian Keuangan, Muhamad Calvin Syah Putra, Universitas Multimedia Nusantara
Gambar 3. 43 Kode Analisis Data Metode NetworkX(Sentiment Positive)
Pada Gambar 3.43 di atas, merupakan kode analisis data menggunakan metode NetworkX dengan sentimen positif pada dataframe rettweet. Dengan menggunakan kata kunci "Pemerintah" dan sentimen positif untuk mengetahui jaringan yang terhubung langsung dengan kata kunci yang berada di row Username.
53
Social Network Analysis dan Rancang Bangun Website Informasi Publik Pada Kementerian Keuangan, Muhamad Calvin Syah Putra, Universitas Multimedia Nusantara
Gambar 3. 44 Hasil Analisis Data Metode Networdx(Sentiment Positive)
Gambar 3.44 di atas merupakan hasil dari analisis data untuk memperlihatkan beberapa username yang berada di dalam jaringan atau yang terhubung langsung dengan kata kunci "Pemerintah" yang di mana sentimennya positif pada dataframe retweet.
54
Social Network Analysis dan Rancang Bangun Website Informasi Publik Pada Kementerian Keuangan, Muhamad Calvin Syah Putra, Universitas Multimedia Nusantara
Gambar 3. 45 Analisis Metode Betweenness Centrality(Sentiment Negative)
Gambar 3.45 di atas merupakan kode analisis data menggunakan metode Betweenness Centrality dengan sentimen negatif pada dataframe rettweet. Terlihat di sini dengan menggunakan kata kunci "Kemenkeu" dan sentimen negatif untuk mengetahui jaringan yang terhubung langsung dengan kata kunci yang berada pada data Username.
55
Social Network Analysis dan Rancang Bangun Website Informasi Publik Pada Kementerian Keuangan, Muhamad Calvin Syah Putra, Universitas Multimedia Nusantara
Gambar 3. 46 Hasil Metode Betweenness Centrality(Sentiment Negative)
Pada gambar 3.46 di atas memperlihatkan hasil dari analisis data untuk memperlihatkan beberapa username yang berada di dalam jaringan atau yang terhubung langsung dengan metode Betweenness Centrality dan menggunakan kata kunci "Kemenkeu" yang di mana sentimennya positif pada dataframe retweet.
Gambar 3. 47 Analisis Data Metode Chess Masters(Sentiment Neutral)
56
Social Network Analysis dan Rancang Bangun Website Informasi Publik Pada Kementerian Keuangan, Muhamad Calvin Syah Putra, Universitas Multimedia Nusantara
Selanjutnya pada gambar 3.47 di atas, itu merupakan kode analisis data menggunakan metode Chess Masters dengan sentimen netral pada dataframe rettweet. Terlihat di sini dengan menggunakan kata kunci
"Kemenkeu" dan sentimen netral untuk mengetahui jaringan yang terhubung langsung dengan kata kunci yang berada pada data Username.
Gambar 3. 48 Hasil Analisis Data Metode Chess Masters(Sentiment Neutral)
Pada gambar 3.48 di atas ini memperlihatkan hasil dari analisis data untuk memperlihatkan beberapa username yang berada di dalam jaringan atau yang terhubung langsung dengan metode Chess Masters dan menggunakan kata kunci "Kemenkeu" yang di mana sentimennya netral pada dataframe retweet.
• Melakukan processing data dan modelling data.
Tugas selanjutnya melakukan pemrosesan data dari dataframe yang diberikan oleh supervisor, dataframe ini terkait dengan pajak dan keuangan negara. Analisis dilakukan menggunakan metode Natural Language Processing (NLP), yang merupakan salah satu metode untuk menganalisis data dalam bentuk teks. Dengan menggunakan Google Colab sebagai alat
57
Social Network Analysis dan Rancang Bangun Website Informasi Publik Pada Kementerian Keuangan, Muhamad Calvin Syah Putra, Universitas Multimedia Nusantara
untuk menganalisis dataframe tersebut. Google Colab atau Google Collaboratory adalah produk dari penelitian Google yang berbasis cloud dan dapat digunakan secara gratis. Sama seperti tugas analisis SNA, hasil dari analisis ini bertujuan untuk pembuatan sosial media analitik kementerian keuangan, yang sekarang situsnya sedang off karna adanya kendala pada backend.
Gambar 3. 49 Gambar Kode Analisis Data Lowercase
Tahap yang ditampilkan dalam gambar 3.49 di atas adalah salah satu langkah dalam proses pengolahan data yang disebut lowercase. Lowercase adalah jenis pemrosesan teks yang mengubah huruf dalam kalimat atau karakter teks menjadi huruf kecil. Dalam konteks ini, semua kalimat dalam dataframe diubah menjadi huruf kecil. Dengan menggunakan lowercase pada dataset tersebut karena metode NLP (Natural Language Processing) dapat menjadi lebih efektif dan menghasilkan hasil yang lebih konsisten saat teks sudah dalam bentuk lowercase.
58
Social Network Analysis dan Rancang Bangun Website Informasi Publik Pada Kementerian Keuangan, Muhamad Calvin Syah Putra, Universitas Multimedia Nusantara
Gambar 3. 50 Gambar Kode Analisis Remove Data
Gambar 3. 51 Gambar Kode Analisis Remove Data (2)
Pada gambar 3.50 dan 3.51 di atas menampilkan tahap selanjutnya yaitu Removing unwanted pattern, hal tersebut merujuk pada proses penghapusan atau eliminasi pola atau elemen yang tidak diinginkan atau tidak relevan dari suatu data atau teks. Beberapa elemen yang akan di hapus
59
Social Network Analysis dan Rancang Bangun Website Informasi Publik Pada Kementerian Keuangan, Muhamad Calvin Syah Putra, Universitas Multimedia Nusantara
yaitu username, hastag, kata dalam tanda kurung, link, angka, emoji, tanda baca, dan spasi yang tidak diinginkan pada dataframe.
Gambar 3. 52 Hasil Grafik 20 Kata Teratas Dalam Satu Kata
Gambar 3.52 merupakan hasil grafik yang ditampilkan pada gambar di atas menggambarkan 20 kata yang paling banyak muncul dalam dataframe yang sedang diproses. Grafik ini dibuat dengan menggunakan fungsi get_top_n_word yang akan mengambil sejumlah kata teratas dari daftar yang sudah diurutkan. Kata-kata tersebut dipilih dari hasil pemrosesan teks menggunakan fungsi Rmv_stopwords yang telah dibuat.
Rmv_stopwords (Remove Stopwords) adalah sebuah fungsi yang digunakan untuk menghapus stopwords dari teks yang diberikan. Fungsi ini memiliki tujuan untuk membersihkan teks dari kata-kata umum, tidak relevan, atau yang tidak memberikan informasi yang signifikan dalam analisis teks.
Gambar 3.53 di bawah ini merupakan kode pembuatannya
60
Social Network Analysis dan Rancang Bangun Website Informasi Publik Pada Kementerian Keuangan, Muhamad Calvin Syah Putra, Universitas Multimedia Nusantara
Gambar 3. 53 Gambar Kode 20 Kata Teratas Dalam Satu Kata
Gambar 3.53 merupakan kode untuk membuat grafik bar chart yang menampilkan 20 kata paling banyak muncul dalam jumlah satu kata pada dataframe. dengan menggunakan fungsi get_top_n_word yang akan mengambil sejumlah kata teratas. Kata-kata tersebut dipilih dari hasil pemrosesan teks menggunakan fungsi Rmv_stopwords yang telah dibuat.
Gambar 3. 54 Hasil Grafik 20 Kata Teratas Dalam Dua Kata
Gambar 3.54 yang ditampilkan di atas menunjukkan 20 kata yang paling sering muncul dalam dataframe dalam format 2 kata.
61
Social Network Analysis dan Rancang Bangun Website Informasi Publik Pada Kementerian Keuangan, Muhamad Calvin Syah Putra, Universitas Multimedia Nusantara
Gambar 3. 55 Gambar Kode 20 Kata Teratas Dalam Dua Kata
Gambar 3.55 yang ditampilkan di atas menunjukkan kode untuk membuat bar chart untuk menampilkan 20 kata paling banyak muncul pada dataframe dengan jumlah dua kata. Ini sama seperti 20 kata teratas dalam format satu kata yang dijelaskan sebelumnya, namun kali ini menggunakan
"ngram_range = (2, 2)". Dengan menggunakan pengaturan ini, akan dihasilkan n-gram bigram, yang berarti pasangan dua kata yang berurutan dalam teks akan menjadi satu elemen n-gram.