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 Peta Spasial (Spatial Map) dengan R

Visualisasi peta dengan R

Setelah kita mempraktikkan bagaimana cara memvisualisasikan grafik garis dengan R, kali ini kita akan beranjak pada visualisasi berikutnya, yaitu visualisasi peta (map) dengan menggunakan R. Saya rasa, visualisasi jenis ini saat ini banyak disukai khususnya para mereka yang memiliki penelitian di bidang geospasial atau sejenisnya. Saya sendiri belajar otodidak dari beragam sumber dan baru bisa dasarnya setelah setahun lamanya belajar step by step. Sebab, sangat sedikit referensi khususnya di mbah google yang menjelaskan secara terperinci dan step by step mengenai cara visualisasi peta dengan R, kebanyakan di youtube pun juga membahas dengan ArcGIS, QGIS, atau sejenisnya yang memang spesifik untuk pemetaan dan keperluan digitasi peta lapangan, khususnya penelitian perencaan tata ruang atau lingkungan.

Lantas, sebenarnya gimana sih caranya memvisualisasikan peta (map) dengan R? Kali ini coba kita fokus bareng-bareng untuk mempraktikkannya dengan memanfaatkan package rgdal. Adapun syarat utama kita bisa memvisualisasikan dengan package ini adalah tersedianya file berekstensi *dal di dalam file peta kita. Lalu, perlu juga data yang telah diisi dengan data-data terlebih dahulu sebagai bekal visualisasi gradasi atau sejenisnya.

Khusus untuk visualisasi peta gradasi, kita dapat menggunakan fungsi spplot yang tertanam di dalam package rgdal ini. Oke, sebelum mengeksekusinya, kita baiknya mengunduh file peta dulu ya teman-teman, peta yang kita gunakan kali ini adalah peta provinsi Jawa Timur yang terdapat di sini. Visualisasinya kita praktikan dengan beberapa code yang telah saya siapkan berikut hasilnya:

Code:

#install dan mengaktifkan package rgdal
install.packages("rgdal")
library(rgdal)

#Memanggil Peta Jatim, pahami betul cara import data
ptjatim=readOGR(dsn= "E:/peta",layer='jatim')

#Melihat variabel yang ada di dalam ptjatim
names(ptjatim)

Hasil:

[1] "KODE_KAB"  "NAMA_KAB"  "KODE_PROP" "NAMA_PROP" "KODE"      "Y"         "X1"        "X2"        "X3"       
[10] "X4"        "X5"        "X6"        "X7"        "X8"        "X9"        "DATA"      "Y1"

Code:

#Melihat Variabel Y yang akan kita visualisasikan
ptjatim$Y

Hasil:

[1]  1.1  3.0  1.9  3.2  3.1  4.4  8.0  6.8  4.9  4.3  3.0  1.7  3.3  3.0  5.3  6.0  8.5  1.9  2.7  3.0  5.0
[22]  6.5  1.6  1.0  1.2  2.7  2.1  2.7  6.7  3.6  3.7  9.3  3.1  8.3 16.2  4.6  4.6  8.5

Code:

#Visualisasi Dasar peta jatim
plot(ptjatim)

Hasil:

Visualisasi 1

Code:

#Visualisasi peta dengan warna
plot(ptjatim, col = "green")

Hasil:

Visualisasi 2

Code:

#Visualisasi gradasi variabel Y menurut wilayah
#membuat fungsi Warna dan Gradasi Visualisasi Peta
colfunc=colorRampPalette(c("#006633", "#66ff66", "#ccffcc"))
color=colfunc(16)

#Visualisasi Peta untuk variabel Y
spplot(ptjatim,"Y", col.regions=color, colorkey = T,
       main="Sebaran Variabel Y menurut Kabupaten/Kota Jawa Timur")

Hasil:

Visualisasi 3
Oke, demikian sedikit ulasan bagaimana kita melakukan visualisasi datapeta (map) 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