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 Kuadran Tipologi Klassen (Quadrant Chart) dengan R

Qudrant Analysis of Klassen Typology

Halo teman-teman, setelah sebelumnya kita telah membahas mengenai analisis Tipologi Klassen dengan menggunakan visualisasi spasial atau visualisasi peta, kali ini kita akan mencoba memvisualisasikan Tipologi Klassen dengan menggunakan grafik kuadran (Quadrant Chart) menggunakan R.

Sejauh ini, saya sendiri masih dalam pencarian mengenai cara praktik dan mudah dalam melakukan sekaligus memvisualkan analisis Tipologi Klassen ini. Namun, seiring waktu dan terus menyusuri beragam sumber, akhirnya saya bisa meracik ulang bagaimana kita menganalisis sekaligus memvisualisasikan Tipologi Klassen ini dengan grafik kuadran. Adapun penjelasan singkat mengenai apa itu Tipologi Klassen dapat teman-teman baca pada tautan berikut.

Tipologi Klassen sendiri umumnya memang tidak divisualkan dalam bentuk peta spasial, tetapi lebih sederhana dengan grafik kuadran. Tetapi, dalam melakukan visualisasi grafik kuadran, setidaknya pemahaman kita tidak hanya kulit. Dalam pembahasan kali ini, kita akan belajar bersama step by step bagaimana cara membangun grafik kuadran sehingga kita semua memahami setiap code yang ada. Package yang kita gunakan dalam membuat grafik kuadran kali ini meliputi package ggplot2 dan grid yang dapat teman-teman instal dan aktivasi terlebih dahulu kemudian menyiapkan data yang akan kita praktikkan pada tautan berikut.

Setelah datanya diunduh, berikut beberapa code untuk membuat visualisasi grafik kuadran sebagai bekal analisis Tipologi Klassen dengan Quadrant Chart:

library(ggplot2)
library(grid)
library(readxl)
lqku <- read_excel("C:/Users/Joko Ade/Downloads/lqku.xlsx")
lqku
## # A tibble: 38 x 3
##    Wilayah     LQ_Penmamin PE_Penmamin
##    <chr>             <dbl>       <dbl>
##  1 Pacitan         0.110          4.62
##  2 Ponorogo        0.142          2.51
##  3 Trenggalek      0.0871         2.37
##  4 Tulungagung     0.205          2.09
##  5 Blitar          0.00557        4.78
##  6 Kediri          0.104          4.18
##  7 Malang          0.135          3.32
##  8 Lumajang        0.201          3.61
##  9 Jember          0.881          2.89
## 10 Banyuwangi      1.23           3.82
## # ... with 28 more rows
#mengattach Data
attach(lqku)
## The following objects are masked from lqku (pos = 4):
## 
##     LQ_Penmamin, PE_Penmamin, Wilayah
## The following objects are masked from lqku (pos = 5):
## 
##     LQ_Penmamin, PE_Penmamin, Wilayah
#Template Dasar
p <- ggplot(lqku, aes(LQ_Penmamin, PE_Penmamin))
p
plot of chunk unnamed-chunk-20
Visualisasi 1

#Mengatur Skala sumbu X
p <- p + scale_x_continuous(expand = c(0, 0), limits = c(-4, 13)) #cek nilai xmin xmax data
p
plot of chunk unnamed-chunk-21
Visualisasi 2

#Mengatur Skala Sumbu Y
p <- p + scale_y_continuous(expand = c(0, 0), limits = c(-1.05, 7)) #cek nilai ymin ymax data
p
plot of chunk unnamed-chunk-22
Visualisasi 3

#Memberi Label Sumbu X dan Y
p <- p + labs(x="Location Quotient (LQ)",y="Pertumbuhan Ekonomi (persen)")
p
plot of chunk unnamed-chunk-23
Visualisasi 4

#Mengatur Label Sumbu X pada sumbu koordinat dan warna Darkgrey
p <- p + theme(axis.title.x = element_text(hjust = 0, vjust=4, colour="darkgrey",size=10,face="bold"))
p
plot of chunk unnamed-chunk-24
Visualisasi 5

#Mengatur Label Sumbu Y pada sumbu koordinat dan warna Darkgrey
p <- p + theme(axis.title.y = element_text(hjust = 0, vjust=0, colour="darkgrey",size=10,face="bold"))
p
plot of chunk unnamed-chunk-25
Visualisasi 6

#Membuat Penomoran Grid Transparan
p <- p + theme(axis.ticks.x=element_blank(), axis.text.x=element_blank(),
  axis.ticks.y=element_blank(), axis.text.y=element_blank()
  )
p
plot of chunk unnamed-chunk-26
Visualisasi 7

#Memberi Judul Template
p <- p+ggtitle("Tipologi Klassen Lapangan Usaha Penyediaan Makan Minum")
p
plot of chunk unnamed-chunk-27
Visualisasi 8

#Memberi Border pada pinggir Template
p <- p + theme(panel.border = element_rect(colour = "lightgrey", fill=NA, size=4))
p
plot of chunk unnamed-chunk-28
Visualisasi 9

#Memberi Garis referensi Sumbu Y
p <- p + geom_hline(yintercept=3.081962, color = "lightgrey", size=1)
p
plot of chunk unnamed-chunk-29
Visualisasi 10

#Memberi Garis referensi Sumbu X
p <- p + geom_vline(xintercept=1, color = "lightgrey", size=1)
p
plot of chunk unnamed-chunk-30
Visualisasi 11

#Memberi Label dengan Padding Kotak, posisi cek koordinat
p <- p + geom_label(aes(x = -2, y = 6.9, label = "Kuadran II"), 
                    label.padding = unit(2, "mm"),  fill = "lightgrey", color="white")
p <- p + geom_label(aes(x = 6.5, y = 6.9, label = "Kuadran I"), 
                    label.padding = unit(2, "mm"), fill = "lightgrey", color="white")
p <- p + geom_label(aes(x = -2, y = -0.9, label = "Kuadran III"), 
                    label.padding = unit(2, "mm"),  fill = "lightgrey", color="white")
p <- p + geom_label(aes(x = 6.5, y = -0.9, label = "Kuadran IV"), 
                    label.padding = unit(2, "mm"), fill = "lightgrey", color="white")
#Mengcustome warna dengan Fungsi colfunc()
colfunc=colorRampPalette(c("#90afc5", "#336b87", "#2a3132", "#763626"))
warna <- colfunc(38)
#Plot Data dengan Dot Plot serta warna dan ukuran Dot 3
p <- p + geom_point(colour = warna, size = 3) 
p
plot of chunk unnamed-chunk-33
Visualisasi 12

#Memberi Label setiap Dot dengan label nama WIlayah
p <- p  + geom_text(aes(label=Wilayah),colour= warna, hjust=-0.25, vjust=0.25, size=3)
p
plot of chunk unnamed-chunk-34
Visualisasi 12

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