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

Analisis Tipologi Klassen (Klassen Typology) dan Visualisasi Spasialnya dengan R

Tipologi Klassen dan visualisasinya dengan R

Halo teman-teman, sebelumnya kita telah membahas tentang analisis Shift Share dan Location Quotient (LQ) dengan menggunakan R. Kali ini, kita akan membahas mengenai satu lagi alat analisis yang sebenarnya merupakan alat analisis tiga serangkai dari SS dan LQ, yaitu analisis Tipologi Klassen.

Dalam penelitian ekonomi kewilayahan, ketiga analisis ini seringkali digunakan, baik dalam rangka melihat perkembangan dan transformasi struktur ekonomi suatu wilayah maupun melihat keunggulan kompetitif dan keunggulan komparatif wilayah satu dengan wilayah lainnya dengan mengacu wilayah referensi.

Terlebih dulu, sebelum melakukan visualisasi spasial menggunakan fungsi plot(), ada baiknya kita bahas terlebih dahulu mengenai Tipologi Klassen itu sendiri. Tipologi Klassen merupakan teknik pengelompokan sektor, subsektor, lapangan usaha, atau komoditas tertentu di wilayah analisis berdasarkan pertumbuhan nilai tambah wilayah analisis terhadap nasional atau wilayah lain yang menjadi acuan serta berdasarkan kontribusi (share) sektor, subsektor, lapangan usaha, atau komoditas wilayah analisis terhadap wilayah nasional atau wilayah lain yang menjadi acuan.

Dengan menerapkan analisis ini, kita akan mampu mengetahui seperti apa gambaran pola sekaligus struktur pertumbuhan ekonomi pada setiap wilayah analisis. Menurut Badan Pusat Statistik (kobarkab.bps.go.id), pengelompokan yang digunakan dalam Tipologi Klassen ini terbagi menjadi 4 wilayah (kuadran).

Kuadran 1: merupakan daerah yang cepat maju namun tertekan, yaitu daerah yang sektor atau lapangan usahanya memiliki kontribusi (share) lebih besar atau sama dengan kontribusi wilayah acuan, namun dari sisi pertumbuhan nilai tambahnya kurang dari wilayah acuan;

Kuadran 2: merupakan daerah yang cepat maju dan tumbuh pesat, yaitu daerah yang sektor atau lapangan usahanya memiliki kontribusi (share) lebih besar atau sama dengan kontribusi wilayah acuan dan dari sisi pertumbuhan nilai tambahnya lebih besar dari wilayah acuan;

Kuadran 3: merupakan daerah potensial dan masih dapat berkembang pesat, yaitu daerah yang sektor atau lapangan usahanya memiliki kontribusi (share) kurang dari kontribusi wilayah acuan, namun dari sisi pertumbuhan nilai tambahnya lebih dari wilayah acuan;

Kuadran 4: merupakan daerah relatif tertinggal, yaitu daerah yang sektor atau lapangan usahanya memiliki kontribusi (share) dan pertumbuhan nilai tambahnya kurang dari kontribusi wilayah acuan;

Untuk lebih mudahnya, kita dapat mengkonfigurasikan Tipologi Klassen pada tabel berikut:

Tipologi Klassen

Setelah ulasan teori tadi, berikutnya kita akan mencoba belajar bersama bagaimana memvisualisasikan data Tipologi Klassen menggunakan fungsi plot() peta dengan R. Peta yang akan kita gunakan dalam praktik kali ini bisa teman-teman unduh pada unggahan berikut. Sedangkan data Tipologi Klassennya telah saya siapkan dan dapat teman-teman unduh pada tautan berikut.

Setelah diunduh, kita dapat memvisualisasikan hasilnya dengan mengikuti beberapa code berikut:

Code:

#Install dan Aktivasi Package
library(rgdal)

#Memanggil Peta Jatim
ptjatim=readOGR(dsn= "E:/R/petajatim",layer='jatim') #dari package rgdal

#Mengimport Data
library(readxl)
nmkabkot <- read_excel("nmkabkot.xlsx")

#Menambahkan Data
ptjatim$Kuadran = nmkabkot$Kuadran

#Memplot Peta
plot(ptjatim)

Hasil:

Plot peta Jawa Timur

Code:

#Menjadikan Data sebagai Faktor untuk diatur warnanya
x <- as.factor(ptjatim$Kuadran)
levels(x)

#Mengcostume Warna Layer
warna <- c("yellow","green","red")
warna

#Plot Peta dengan Layer Berwarna
plot(ptjatim,
     col = (warna)[x],
     main = "Tipologi Klassen Lapangan Usaha Penyediaan Akomodasi")

#Menambahkan Skala Peta
map.scale(x=114.8, y=-8.5, ratio=FALSE, relwidth=0.2)

#Menambahkan Arah Mata Angin
north.arrow(xb=115.4, yb=-7.9, len = 0.06, lab="Utara") 

#Menambahkan Legenda Peta
#Topright itu posisi legenda
#title adalah memberi Nama Obyek legenda
#bty = "n" itu agar box legenda tidak terlihat atau transparan
legend("topright",
       legend = c("[1] Sektor Berkembang", "[3] Sektor Potensial", "[4] Sektor Terbelakang"),
       fill = warna,
       bty = "n", title = "Kuadran")

Hasil:

[1] "1" "3" "4"

[1] "yellow" "green"  "red"

Custome peta dengan data Tipologi Klassen menggunakan fungsi plot()

Code:

#Melakukan Custome terhadap arah mata angin agar lebih menarik

#Plot Peta dengan Layer Berwarna
plot(ptjatim,
     col = (warna)[x],
     main = "Tipologi Klassen Lapangan Usaha Penyediaan Akomodasi")

#Menambahkan Skala Peta
map.scale(x=114.8, y=-8.5, ratio=FALSE, relwidth=0.2)

#Mengcustome Arah Mata Angin
xy = c(115.4,-7.9)
northarrow(loc = xy, size = 0.3)

#Menambahkan Legenda Peta
#Topright itu posisi legenda
#title adalah memberi Nama Obyek legenda
#bty = "n" itu agar box legenda tidak terlihat atau transparan
legend("topright",
       legend = c("[1] Lapangan Usaha Berkembang", "[3] Lapangan Usaha Potensial",
                  "[4] Lapangan Usaha Terbelakang"),
       fill = warna,
       bty = "n", title = "Kuadran")

Hasil:

Visualisasi Tipologi Klassen pada peta spasial dengan custome arah mata angin

Baik, demikian sedikit ulasan mengenai bagaimana teori mengenai Tipologi Klassen dan bagaimana memvisualisasikan hasilnya dengan peta spasial dengan memunculkan atribut peta secara lengkap dengan R. Nantikan dan simak terus unggahan berikutnya, selamat memahami dan mempraktikkan!

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