Langsung ke konten utama

Natural Language Processing (NLP) Penerapan Stopwords Bahasa Indonesia dengan R: Topik Sepinya Jalur Pantura Akibat Adanya Tol Trans Jawa

Natural Language Processing : Stopwords Bahasa Indonesia dengan R Halo teman-teman, berjumpa lagi dengan blog sederhana ini. Pada pembahasan sebelumnya, kita telah bersama belajar penerapan stemming teks yang merupakan bagian dari Natural Language Processing (NLP) menggunakan R. Pada perjumpaan kali ini, kita akan melanjutkan perjuangan kita berbagi ilmu mengenai NLP, tepatnya adalah penerapan stopwords Bahasa Indonesia dengan R. Perlu diketahui bahwa di dalam NLP, untuk menambah keluasan dan mempertajam analisis teks, proses stemming teks saja belum cukup. Kita juga perlu membersihkan teks yang relatif atau mutlak tidak bermakna di dalam analisis teks. Biasanya teks yang dieliminasi dalam NLP merupakan kata penghubunga atau konjungsi, atau kata yang berupa ekspresi yang bercampur di dalam data teks, misalkan ekspresi tertawa "wkwk", ekspresi penolakan "gak, nggak, tidak, atau gk", bahasa asing (selain Indonesia), atau juga kata-kata yang tidak memenuhi kaidah ta

Penerapan VLOOKUP dengan R

Penerapan VLOOKUP dalam R

Fungsi VLOOKUP merupakan salah satu fungsi yang banyak digemari dalam bahasa excel. Fungsi dari VLOOKUP sendiri memang menarik, ketika kita menginput nilai pada sebuah sel, maka pada sel lain yang diberi identitas tertentu akan menampilkan nilai yang bersesuaian (berdasarkan database) dengan isian yang kita input tadi secara vertikal, kalau secara horizontal biasanya menggunakan HLOOKUP. Gambaran singkat VLOOKUP sendiri dalam excel dapat kita lihat dari gambar berikut:

 

VLOOKUP di Excel

Dalam penerapannya di R, kita juga bisa kok membangun sendiri VLOOKUP yang prinsip kerjanya sama persis dengan excel. Hanya saja, sebelum kita melakukan penggabungan data, kita perlu menginstal dan mengaktifkan package dplyr terlebih dahulu. Package dplyr ini sangat powerful untuk kebutuhan data wrangling dan data manipulation.

Setelah itu, data pertama kita siapkan, demikian pula data kedua. Setelah kita gabung menggunakan fungsi inner_join() yang tertanam di dalam package dplyr berdasarkan ID penggabungan tertentu, kita akan bisa menerapkan VLOOKUP yang sistem kerjanya sama dengan di excel. Oke, langsung saja kita masuk coding.

Code:

#Data Frame 1
df1 <- data.frame(pemain=LETTERS[1:15],
                  tim=rep(c('A', 'B', 'C'), each=5))

Hasil:

   pemain tim
1       A   A
2       B   A
3       C   A
4       D   A
5       E   A
6       F   B
7       G   B
8       H   B
9       I   B
10      J   B
11      K   C
12      L   C
13      M   C
14      N   C
15      O   C

Code:

#Data Frame 2
df2 <- data.frame(pemain=LETTERS[1:15],
                  poin=c(14, 15, 15, 16, 8, 9, 16, 27, 30, 24, 14, 19, 8, 6, 5))

Hasil:

   pemain poin
1       A   14
2       B   15
3       C   15
4       D   16
5       E    8
6       F    9
7       G   16
8       H   27
9       I   30
10      J   24
11      K   14
12      L   19
13      M    8
14      N    6
15      O    5

Code:

#VLOOKUP dengan berdasarkan ID-nya pemain
inner_join(df1, df2, by="pemain")

Hasil:

   pemain tim poin
1       A   A   14
2       B   A   15
3       C   A   15
4       D   A   16
5       E   A    8
6       F   B    9
7       G   B   16
8       H   B   27
9       I   B   30
10      J   B   24
11      K   C   14
12      L   C   19
13      M   C    8
14      N   C    6
15      O   C    5

Berdasarkan fungsi inner_join() dalam package dplyr ini, mari kita bangun bersama sebuah VLOOKUP versi R dengan sedikit membuat fungsi inputan sebagaimana keterangan pada gambar excel di atas. Proyek kecil kita ini adalah bagaimana membangun input pemesanan sebuah buku dengan nomor ID tertentu dan setelah kita masukkan inputnya langsung muncul keterangan nama buku yang kita pesan dan berapa harganya berdasarkan database yang telah kita bangun sebelumnya.

Code:

#Data Nomor Buku dan Harganya
databuku <- data.frame(Nomor=seq(from = 1, to = 5, by = 1), Harga = c(80000,100000,70000,55000,50000))
databuku

Hasil:

  Nomor  Harga
1     1  80000
2     2 100000
3     3  70000
4     4  55000
5     5  50000

Code:

#Data Nomor Buku dan Judulnya
datacekharga <- data.frame(Nomor=seq(from = 1, to = 5, by = 1), Nama_Buku = c("Pengantar Data Mining dengan R",
                                                                              "Data Mining: Analisis Regresi dengan R",
                                                                              "Visualisasi Data dengan Tableau",
                                                                              "Pengantar Statistika Dasar",
                                                                              "Kompas Teknik: Pengambilan Sampel"))

Hasil:

  Nomor                              Nama_Buku
1     1         Pengantar Data Mining dengan R
2     2 Data Mining: Analisis Regresi dengan R
3     3        Visualisasi Data dengan Tableau
4     4             Pengantar Statistika Dasar
5     5      Kompas Teknik: Pengambilan Sampel

Code:

#VLOOKUP dengan inner_join
vlookup <- inner_join(databuku, datacekharga, by = "Nomor") #ID untuk VLOOKUP adalah Nomor Barang

Hasil:

  Nomor  Harga                              Nama_Buku
1     1  80000         Pengantar Data Mining dengan R
2     2 100000 Data Mining: Analisis Regresi dengan R
3     3  70000        Visualisasi Data dengan Tableau
4     4  55000             Pengantar Statistika Dasar
5     5  50000      Kompas Teknik: Pengambilan Sampel

Code:

#Membuat Fungsi hasil VLOOKUP
#Target fungsi menunjukkan nama buku beserta harganya ketika nomor ID buku diinput manual
#Nama fungsi input adalah Nomor(masukkan nomor ID buku yang dipesan)
Nomor <- function(i){
  vlookup$Nomor.x[i]
  print(paste("Harga Buku", vlookup[i,3],"adalah", vlookup[i,2]))
  }

#Kita coba masukkan input, misalkan kita pesan buku Nomor 1

Nomor(1)

Hasil:

[1] "Harga Buku Pengantar Data Mining dengan R adalah 80000"

Code:

Nomor(5)

Hasil:

[1] "Harga Buku Kompas Teknik: Pengambilan Sampel adalah 50000"

Oke, demikian sedikit ulasan bagaimana kita menerapkan fungsi VLOOKUP dengan R yang mirip fungsi VLOOKUP di excel. Jangan lupa untuk share, tanya-tanya di kolom komentar, dan menyimak unggahan berikutnya. Semoga bermanfaat.

Komentar

Postingan populer dari blog ini

Pemodelan Autoregressive Integrated Moving Average (ARIMA Model) dengan R

ARIMA dengan R Jumpa lagi teman-teman, sebelumnya saya mohon maaf karena kemarin tidak sempat membuat unggahan terbaru di blog ini. Baik, sebelumnya kita telah mengulas tentang pemodelan Geographically Weigthed Regression (GWR) dengan R. Kali ini, kita akan melanjutkan belajar bersama mengenai pemodelan yang tak asing lagi dan populer hingga kini, yaitu pemodelan Autoregressive Integrated Moving Average (ARIMA). Kita akan membahas ARIMA secara langsung tanpa membahas AR dan MA secara tersendiri mengingat pada dasarnya ARIMA adalah model perpaduan antara model AR dengan order p , MA dengan order q dan aspek differencing dengan order d . Artinya, ketika kita mendengar istilah AR(1), maka sebenarnya itu adalah ARIMA(1, 0, 0), ketika kita mendengar ARI(1,1), maka aslinya itu ARIMA(1, 1, 0), atau bila mendengar MA(3), itu sebenarnya ARIMA(0, 0, 3) atau IMA(2,1) sebenarnya adalah ARIMA(0, 2, 1). Data runtun waktu atau time series merupakan salah satu jenis data yang hingga kini banyak digun

Machine Learning: Memahami Reinforcement Learning

Reinforcement Learning Halo teman-teman, pada pembahasan sebelumnya, kita telah berusaha memahami mengenai supervised learning dan unsupervised learning . Sebelum lanjut ke pemodelan statistik selanjutnya, ada baiknya kita membahas tentang satu lagi jenis algoritma machine learning yang akhir-akhir ini banyak digunakan dalam membentuk artificial intelligence (AI), yaitu algoritma reinforcement learning . Kita ke pengertian berdasarkan studi literatur daring ( online ) dulu teman-teman. Saya coba mengambil salah satu pengertian reinforcement learning, misalkan dari situsnya Algoritma, menyatakan bahwa reinforcement learning merupakan algoritma yang diterapkan untuk pembelajaran mesin ( machine learning ) sedemikian rupa sehingga dapat menentukan aksi yang tepat dan pada akhirnya sebuah program dapat bekerja secara otomatis memberikan hasil atau putusan yang benar. Lebih lanjut dalam situs algoritma mengangkat sebuah perumpamaan reinforcement learning dengan menggunakan proses penugasan

Machine Learning: Perbedaan Supervised Learning dan Unsupervised Learning

Perbedaan supervised learning dan unsupervised learning Halo teman-teman, kemarin kita telah mengawali bahasan mengenai salah satu anggota dari Machine Learning sekaligus merupakan contoh dari algoritma supervised learning , yaitu Naive Bayes Classifier (NBC). Akhir-akhir ini, dunia sains data dihebohkan dengan berbagai istilah statistik yang berkaitan erat dengan komputasi atau komputasi statistik, yaitu supervised learning dan unsupervised learning . Sebenarnya ada lagi istilah baru dan cukup makin sulit menyederhanakan definisinya, yaitu reinforcement learning , tapi khusus reinforcement learning nanti akan kita bahas tersendiri karena kita mulai bersinggungan dengan Artificial Intelligence atau kecerdasan buatan. Jujur, saya mengakui bahwa tidak semua dari kita memiliki latar belakang apalagi pakar teknologi informasi (IT). Sehingga, bila kita cermati bahasan-bahasan atau istilah komputasi statistik, sains data, atau data engineering , kita mungkin akan sejenak loading , bahkan s