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 Ogive dengan R

Visualisasi grafik ogive dengan R

Tahukah teman-teman dengan istilah Ogive? Pastinya teman-teman yang pernah ketemu statistika di salah satu bahasan ketika SMP atau SMA pernah mendengar istilah satu ini. Biar nggak lupa, kita ingat kembali pengertian istilah satu ini yuk! Jadi ogive merupakan salah satu bentuk visualisasi data yang telah ditabulasikan menggunakan distribusi frekuensi kumulatif.

Jenis ogive ini biasanya dibedakan dalam 2 versi, yang satu adalah ogive positif atau ogive kurang dari, dan yang satu lagi adalah ogive negatif atau ogive lebih dari. Cara menandai bahwa distribusi frekuensi kumulatif atau ogive positif adalah kurva yang memiliki gradien atau kemiringan positif, atau mudahnya ogive positif berarti makin ke kanan makin tinggi frekuensi kumulatifnya. Sebaliknya, ogive negatif memiliki gradien negatif atau makin ke kanan makin mengecil frekuensinya.

Lantas, bagaimana kita membuat ogive dalam R? Cukup mudah teman-teman, dalam kesempatan ini kita akan menggunakan data yang tertanam di dalam package airquality untuk memanggil data kualitas udara. Kemudian, kita gunakan package yang namanya agricolae untuk membuat grafik ogive. Oiya, dalam praktikum ini, kita coba membuat ogive positif ya teman-teman. Jadi, bagi yang mau mencoba membuat ogive negatif, disilakan saja, bebas, soalnya practice makes perfect. Oke langsung saja kita menuju code untuk memvisualisasikan ogive positif berikut:

Code:

#Membuat Grafik Ogive Variabel Temperatur
attach(airquality)

#Melihat Nama Variabel apa saja yang berada di dalam Data Frame airquality
names(airquality)

Hasil:

[1] "Ozone"   "Solar.R" "Wind"    "Temp"    "Month"   "Day"

Code:

#Mendeklarasikan item pembuatan Ogive positif untuk variabel Temperatur
nilai_freq <- graph.freq(Temp, plot = F)

nilai_freq

Hasil:

$breaks
 [1]  56.0  61.1  66.2  71.3  76.4  81.5  86.6  91.7  96.8 101.9

$counts
[1] 11 10 15 25 35 30 15 11  1

$mids
[1] 58.55 63.65 68.75 73.85 78.95 84.05 89.15 94.25 99.35

$relative
[1] 0.0719 0.0654 0.0980 0.1634 0.2288 0.1961 0.0980 0.0719 0.0065

$density
[1] 0.01409804 0.01282353 0.01921569 0.03203922 0.04486275 0.03845098 0.01921569 0.01409804 0.00127451

attr(,"class")
[1] "graph.freq" "histogram"

Code:

#Membuat Ogive Positif variabel Temperatur
nilai <- ogive.freq(nilai_freq, frame = F) #Tanpa frame atau border grafik Ogive

Hasil:

Visualisasi 1

Code:

#Membuat Ogive Customize
plot(nilai, xlab = "Nilai", ylab = "Frekuensi Relatif Akumulasi",
     main = "Grafik Ogive", col = "steelblue", type = "b") #type "b" itu garis dengan dot

Hasil:

Visualisasi 2

Code:

plot(nilai, xlab = "Nilai", ylab = "Frekuensi Relatif Akumulasi",
     main = "Grafik Ogive", col = "steelblue", type = "l") #type "l" itu garis saja

Hasil:

Visualisasi 3

Code:

plot(nilai, xlab = "Nilai", ylab = "Frekuensi Relatif Akumulasi",
     main = "Grafik Ogive", col = "steelblue", type = "b", pch = 19) #dotnya penuh

Hasil:

Visualisasi 4

 Code:

plot(nilai, xlab = "Nilai", ylab = "Frekuensi Relatif Akumulasi",
     main = "Grafik Ogive", col = "steelblue", type = "b", pch = 19, las = 1) #dotnya penuh dan angka ylab datar

Hasil:

Visualisasi 5

Code:

plot(nilai, xlab = "Nilai", ylab = "Frekuensi Relatif Akumulasi",
     main = "Grafik Ogive", col = "steelblue", type = "b", pch = 19, las = 2)

text(90,.4, c("Ogive Positif Sebaran Data Temperatur"))

#dotnya penuh dan angka xlab vertikal dan ada teks keterangannya

Hasil:

Visualisasi 6
Oke, demikian sedikit ulasan bagaimana kita memvisualisasikan grafik Ogive dengan 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