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

Uji Non-Multikolinearitas dengan R

Uji non-multikolinearitas dengan R

Uji asumsi non-multikolinearitas merupakan uji asumsi regresi linier terakhir yang akan kita bahas bersama. Uji asumsi ini merupakan salah satu uji asumsi regresi linier klasik khusus model berganda atau menggunakan variabel independen lebih dari satu. Uji asumsi ini tidak berlaku bagi regresi linier sederhana karena variabel independen yang digunakan di dalamnya hanya satu. Uji asumsi ini pada dasarnya ingin mengetahui apakah terdapat korelasi yang kuat dan signifikan di antara variabel independen di dalam model ataukah tidak.

Ukuran yang biasanya digunakan sebagai pendeteksi asumsi non-multikolinearitas adalah nilai Variation Inflation Factor (VIF) yang merupakan seper sisaan dari kuadrat korelasi kombinasi antar variabel independen. Secara matematis, rumus dari VIF adalah sebagai berikut:

Rumus mendapatkan nilai VIF

Berdasarkan bukunya Om Neter (1989), gangguan asumsi non-multikolinearitas terjadi ketika nilai VIF itu lebih dari 10. Artinya, jika nilai VIF sebuah variabel independen ternyata lebih dari 10, dapat ditengarai ia sebenarnya memiliki korelasi yang kuat dan signifikan dengan variabel independen lainnya di dalam model. Menghadapi kondisi seperti ini, salah satu alternatif yang bisa kita ambil adalah membuang salah satu  variabel yang diduga kuat berkorelasi dengan variabel independen lainnya dengan risiko akan mengurangi kemampuan model dalam menjelaskan proporsi keragaman variabel independennya, atau dengan menggunakan model regresi komponen utama. Yaitu dengan cara melakukan analisis komponen utama untuk untuk mereduksi variabel independennya. Jika X1 berkorelasi kuat dengan X2 maka menjadi X12, kemudian dimodelkan regresi liniernya.

Di R sendiri, uji non-multikolinearitas dapat diterapkan dengan menggunakan bantuan package yang bermana olsrr. Adapun praktik untuk melakukan uji asumsi ini kita jabarkan pada code berikut:

Code:

#Install dan aktifkan package olsrr
install.packages("olsrr")
library(olsrr)

#Mengenerate Dataset
x1 <- c(8, 7, 9, 3, 6, 8, 9, 2, 9, 8, 4, 4, 6, 10)
x2 <- c(6, 7, 5, 7, 2, 4, 5, 6, 3, 6, 8, 7, 3, 9)
y <- c(5, 4, 7, 2, 5, 6, 8, 3, 5, 7, 2, 2, 3, 9)
df <- data.frame(x1, x2, y)

#Melihat sekilas dataset
head(df)

Hasil:

  x1 x2 y
1  8  6 5
2  7  7 4
3  9  5 7
4  3  7 2
5  6  2 5
6  8  4 6

Code:

#Pemodelan Regresi Linier Sederhana
model <- lm(y~x1+x2, data = df)

#Melihat ringkasan pemodelan regresi linier berganda
summary(model)

Hasil:

Call:
lm(formula = y ~ x1 + x2, data = df)
Residuals:
     Min       1Q   Median       3Q      Max
-1.47334 -1.00478  0.07923  1.01220  1.86358
Coefficients:
            Estimate Std. Error t value Pr(>|t|)    
(Intercept)  -1.1831     1.4394  -0.822    0.429    
x1            0.8121     0.1350   6.016 8.73e-05 ***
x2            0.1159     0.1685   0.688    0.506    
---
Signif. codes:  0 ‘***’ 0.001 ‘**’ 0.01 ‘*’ 0.05 ‘.’ 0.1 ‘ ’ 1
Residual standard error: 1.214 on 11 degrees of freedom
Multiple R-squared:  0.7674,    Adjusted R-squared:  0.7251
F-statistic: 18.15 on 2 and 11 DF,  p-value: 0.0003284

Code:

#uji Non-multikolinearitas
ols_vif_tol(model)

Hasil:

 Variables Tolerance      VIF
1        x1 0.9720732 1.028729
2        x2 0.9720732 1.028729

Interpretasi: terlihat bahwa nilai VIF dari variabel independen x1 dan x2 kebetulan bernilai sama, yakni sebesar 1,028729 atau kurang dari 10 sehingga model regresi linier tersebut memenuhi asumsi non-multikolinearitas.

Oke, demikian sedikit ulasan bagaimana kita menerapkan uji homoskedastisitas dengan R. Jangan lupa untuk share, tanya-tanya di kolom komentar, dan menyimak unggahan berikutnya. Semoga bermanfaat.

Referensi:

Nursiyono, Joko Ade dan Pray P.H. Nadeak. 2021. Data Mining: Analisis Regresi dengan R Studio. Binjai: Miranda Novelia.

Neter, John, et al. 1989. Applied Linear Regression Model 2nd edition. USA: Richard D. Irwin.Inc.

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