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

Visualisasi Grafik Garis (Line Chart) dengan R

Visualisasi grafik garis dengan R

Grafik garis atau line chart merupakan bentuk visualisasi yang banyak sekali dibutuhkan dan diminati dalam dunia data visual. Selain bentuknya yang menarik, visualisasi jenis ini juga relevan dengan data-data yang bersifat kontinu. Umumnya dari kita memvisualisasikan grafik garis ini menggunakan excel dan dalam penerapannya cukup mudah dan cepat, dengan block datanya, kemudian pilih Insert lalu pilih jenis grafik garis atau line, kita sudah bisa memvisualisasikan data kita dengan grafik berbentuk garis.

Namun, bagaimana penerapannya di R? Kali ini kita akan bareng-bareng belajar bagaimana teori dasar termasuk cara mengcustome grafik garis ini. Oke, pada dasarnya, grafik garis bisa kita lakukan dengan memanfaatkan fungsi plot() yang tertanam secara standar di R. Intinya terletak pada type dari plot data yang akan kita gunakan, kalau dituliskan sebagai berikut:

plot(data, type = "l", xlab, ylab, main)

Data menunjukkan data apa yang mau kita visualisasikan; kemudian type = "l" (el kecil) ini nantinya akan berbentuk garis tanpa marks, kalau kita ingin ada marksnya atau tanda bulatannya cukup mengubahnya dengan "b"; xlab adalah nama sumbu X, ylab adalah nama sumbu Y-nya; dan terakhir adalah main atau judul dari grafik garis yang kita sajikan.

Oke, teman-teman, biar tidak berlama-lama dan bertele-tele, kita langsung saja praktikkan bagaimana penerapannya di R. Pertama kita unduh dulu datanya, kali ini kita akan memvisualisasikan data laju pertumbuhan ekonomi Provinsi Jawa Timur mulai triwulan I - 2011 hingga triwulan IV - 2021 yang bersumber dari laman situs jatim.bps.go.id yang telah saya rekap, bisa diunduh pada tautan berikut ini. Berikutnya, kita visualisasikan data tersebut dengan menggunakan beberapa code berikut:

Code:

#Mengaktifkan package readxl
library(readxl)

#Import Data Pertumbuhan Ekonomi Jawa Timur

#Ulasan import data dari excel dapat teman-teman baca pada tautan berikut
lajupejatim <- read_excel("C:/Users/Joko Ade/Downloads/lajupejatim.xlsx")

#Mengetahui variabel apa saja yang ada di dalam data frame lajupejatim
names(lajupejatim)
#Y adalah laju pertumbuhan year on year dan C adalah kumulatif to kumulatif (triwulanan)

Hasil:

[1] "Y" "C"

#Y itu data pertumbuhan year on year dan C adalah cummulative to cummulative

Code:

#Mengattach data frame laju pertumbuhan ekonomi supaya lebih praktis
attach(lajupejatim)

#Grafik garis (line chart) year on year
plot(Y, type = "l", col = "blue")

Hasil:

Visualisasi 1

Code:

#Memberi Nama sumbu X Periode dan sumbu Y laju pertumbuhan (%) dan garis putus-putus

#silakan coba dengan memasukkan lty = 1, 2, 3 dan bisa dicek hasilnya
plot(Y, type = "l", col = "blue", xlab = "Periode", ylab = "Laju Pertumbuhan (%)", lty = 2)

Hasil:

Visualisasi 2

Code:

#Mengubah keterangan Periode menjadi Data Series
#Data mulai dari Q1 2011 dan frekuensinya karena triwulanan maka frequency = 4
yoy <- ts(Y, start = 2011.1, frequency = 4)
plot(yoy, type = "l", col = "blue", xlab = "Periode", ylab = "Laju Pertumbuhan (%)")

Hasil:

Visualisasi 3

Code:

#Mengubah range sumbu Y menjadi lebih baik dengan mengatur ylim = c(-7, 10)
#Membubuhi judul plot
plot(yoy, type = "l", col = "blue", xlab = "Periode", ylab = "Laju Pertumbuhan (%)", ylim = c(-7, 10),
     main = "Pertumbuhan Ekonomi Jawa Timur \n Q1-2011 - Q4 - 2021 year on year (%)")

Hasil:

Visualisasi 4

Code:

#Mengubah range sumbu Y menjadi lebih baik dengan mengatur ylim = c(-7, 10)
#Membubuhi judul plot
#memberi legenda
#Q2 - 2020 Diterapkan PSBB akibat Pandemi Covid-19
plot(yoy, type = "l", col = "blue", xlab = "Periode", ylab = "Laju Pertumbuhan (%)", ylim = c(-7, 10),
     main = "Pertumbuhan Ekonomi Jawa Timur \n Q1-2011 - Q4 - 2021 year on year (%)")
legend(2014.1, 0, c("Laju Pertumbuhan (%)"), cex = 0.8, box.col = "white")
abline(v = 2020.2, col = "red", lty = 2)
text(2020.2,-5, c("Kebijakan PSBB"), cex = 0.8)

Hasil:

Visualisasi 5

Code:

#Membuat 2 grafik garis
#garis pertama
plot(yoy, type = "b", col = "blue", xlab = "Periode", ylab = "Laju Pertumbuhan (%)", ylim = c(-7, 10),
     main = "Pertumbuhan Ekonomi Jawa Timur \n Q1/2011 - Q4/2021 year on year (%)", pch = 19)
#garis kedua
lines(ts(C, start = 2011.1, frequency = 4), type = "b", col = "green", pch = 19)
#garis verikal sebagai tanda batas tertentu atau threshold
abline(v = 2020.2, col = "red", lty = 2)
#teks pada garis vertikal terletak pada absis dan ordinat 2019.1, -5
text(2020.2,-5, c("Kebijakan PSBB"), cex = 0.8)
#keterangan untuk laju pertumbuhan year on year
text(2022.1, 6, c("yoy"), cex = 0.8)
#keterangan untuk laju pertumbuhan cummulative to cummulative
text(2022.1, 4, c("ctoc"), cex = 0.8)

Hasil:

Visualisasi 6

Oke, demikian sedikit ulasan bagaimana kita melakukan visualisasi data dengan grafik garis atau line chart di R. 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