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 tata bahasa, dalam topik ini adalah Bahasa Indonesia. Sebetulnya, kata-kata atau teks tersebut bisa saja kita analisis lebih dalam secara tersendiri. Namun, pada sharing ini, kita bertujuan untuk menganalisis data teks Indonesia secara standar saja.

Baik, adapun alat stopwords Bahasa Indonesia yang kita gunakan kali ini merupakan database kata-kata yang tidak diperlukan dalam analisis teks dan secara berangsur telah saya update sesuai dengan kebutuhan. Prinsip dari proses stopwords dalam NLP adalah melakukan penghapusan secara massal kata-kata di dalam data teks yang hendak kita olah dan analisis lebih lanjut berdasarkan database kata yang tidak diperlukan. Sebagai ilustrasi, dari sekumpulan data teks, kita tuliskan misalkan pada sebuah papan tulis, kemudian kita hapus kata-kata di papan tulis tadi kata-kata yang sama dengan data kata-kata yang tidak diperlukan dan telah kita siapkan sebelumnya pada kertas. Prinsip proses stopwords ini kemudian diakomodir oleh fungsi unnest_tokens() dalam package tidytext dan dplyr,

Data apa yang akan kita gunakan kali ini? Adapun data yang kita gunakan pada praktikum stopwords Bahasa Indonesia kali ini adalah data tweets mengenai respons masyarakat dunia maya (netizen) terhadap sepinya jalur Pantai Utara Jawa atau biasa dikenal dengan Jalur Pantura akibat pembangunan jalan tol Trans Jawa akhir-akhir ini yang kembali mencuat. Kendati pemerintah telah berupaya mengalihkan sejumlah UMKM di sepanjang Pantura ke Rest Area tol, tetapi kebanyakan dari mereka tidak mau dan memilih tetap berusaha di sepanjang Pantura meskipun sepi dan omset terus menurun.

Pembangunan tol Trans Jawa memang nyata dampaknya bagi UMKM di sepanjang Pantura. Walaupun terdapat Rest Area yang siap menampung usaha mereka dengan fasilitas yang dinilai lebih baik, tetapi akses dari rumah ke Rest Area sebagai besar jauh dan tentunya bila tetap nekat, hal itu membutuhkan sejumlah uang untuk operasional dari rumah pengusaha UMKM. Belum lagi, meski berada di Rest Area, tidak ada jaminan omset UMKM terdampak tol tersebut meningkat tajam. Strategi pembangunan tol seperti ini agaknya perlu tingkat kematangan dengan mempertimbangkan banyaknya UMKM yang berpotensi terkena dampak buruknya. Dan perlu dipertegas kembali, bahwa karena UMKM-lah, negara ini mampu menghidupi sekitar 70 persen tenaga kerja yang ada. Satu poin lagi, bahwa sejarah telah mencatat bahwa karena UMKM-lah, ekonomi Indonesia mampu bertahan di tengah krisis multidimensi 1997/1998.

Mungkin itu sedikit gambaran mengenai data yang akan kita gunakan. Berikutnya, data tweets mengenai topik Sepinya Jalur Pantura akibat Tol Trans Jawa ini bisa teman-teman unduh pada tautan berikut. Sedangkan database stopwords Bahasa Indonesia yang bisa digunakan dapat diunduh pada tautan berikut.

Setelah kedua data tersebut diunduh, kita dapat melakukan praktikum NLP: Stopwords Bahasa Indonesia memakai R dengan mengikuti beberapa code berikut:

#Import Data Tweets topik Jalur Pantura Sepi
panturasepi <- read_excel("panturasepi.xlsx")
head(panturasepi)
## # A tibble: 6 x 1
##   tweets 
##   <chr>  
## 1 ini    
## 2 ada    
## 3 aph    
## 4 sie    
## 5 rame   
## 6 pantura
#Melihat Dimensi Data Tweets
dim(panturasepi)
## [1] 16377     1
#Menghapus kata-kata yang tidak diperlukan dengan Stopwords Bahasa Indonesia
stop <- readLines("C:/Users/56848/Documents/stopwords-indonesia.txt") %>% as.data.frame()
## Warning in readLines("C:/Users/56848/Documents/stopwords-indonesia.txt"): incomplete final line found on 'C:/Users/
## 56848/Documents/stopwords-indonesia.txt'
colnames(stop) <- c("stopwords")
head(stop)
##   stopwords
## 1       ada
## 2    adalah
## 3    adanya
## 4    adapun
## 5      agak
## 6   agaknya
#Memperoleh hasil tokenized kata dan mendapatkan frekuensinya per kata
library(dplyr)
library(tidytext)
panturasepi %>%   
  # tokenize setiap kalimat menjadi per kata
  unnest_tokens(input = tweets, output = token) %>% 
  # hitung frekuensi semua huruf lalu urutkan 
  # dari yang paling besar frekuensinya
  anti_join(stop, by = c("token" = "stopwords")) %>%
  count(token, sort = T)
## # A tibble: 4,226 x 2
##    token       n
##    <chr>   <int>
##  1 pantura   921
##  2 face      182
##  3 jalan     152
##  4 jalur     111
##  5 crying     61
##  6 loudly     60
##  7 truk       58
##  8 tol        52
##  9 dangdut    51
## 10 orang      48
## # ... with 4,216 more rows

Demikian sedikit berbagi kita mengenai Natural Language Processing (NLP) bagaimana melakukan pembersihan terhadap teks atau kata-kata yang tidak diperlukan dalam analisis data teks menggunakan R. Ikuti terus unggahan dari blog ini dan semoga sedikit banyak memberi manfaat. Selamat memahami dan mempraktikkan!

Komentar

Postingan populer dari blog ini

Mencari P - Value dan Titik Kritis Uji F, Uji t, Uji Chi Square, dan Uji Z Normal dengan R

Mencari nilai p-value dan titik kritis Bagi teman-teman yang pernah mengenal statistika, pasti familier dengan istilah p-value dan titik kritis. P-value biasanya didefinisikan sebagai probabiltas atau peluang maksimal yang diamati dari hasil uji statistik, bahasa gampangnya adalah besarnya kesalahan penelitian berdasarkan uji statistik. Sebagai contoh sederhana, dari 100 orang dengan nama masing-masing dan diklasifikasikan ke dalam gender nama perempuan dan nama laki-laki, didapatkan nilai p-value uji statistiknya sebesar 0,05 atau 5%. Itu artinya, dari 100 orang, ada kemungkinan sebanyak 5 orang yang namanya salah klasifikasi. Dari namanya terdeteksi sebagai nama perempuan, padahal aktualnya yang bersangkutan bergender laki-laki. Sedangkan titik kritis atau titik uji adalah nilai batas pengujian hipotesis statistik, apakah masuk dalam wilayah tolak hipotesis, ataukah gagal menolaknya. Titik ini berkaitan erat dengan nilai p-value . Kalau biasanya kita mendapatkan kedua nilai ini da...

Cara Mendowload dan Install R serta RStudio di Windows (Step by Step)

Cara Download dan Install R serta R Studio di Windows Halo teman-teman, mohon maaf karena beberapa waktu ini, blog ini sempat vakum dari unggahan. Kali ini saya akan coba berbagai mengenai bagaimana cara mengunduh ( download ) dan menginstal ( install ) program R sekaligus R Studio khususnya di Windows. Unggahan kali ini sedikit terbalik karena semestinya saya unggah terlebih dahulu pertama kali di blog ini, namun bukan masalah, mengingat kemarin ada beberapa pihak yang meminta untuk menerangkap bagaimana tahapan mengunduh dan instalasi R dan R Studio, jadinya saya dahulukan pada unggahan ini sebelum pembahasan mengenai Data Mining , Data Science , atau bahasan Big Data kita terlampau jauh. Baik, kita akan mulai dengan bagaimana mengunduh R dan R Studio melalui mesin pencari Google. R dan R Studio ini memang beberapa waktu terakhir ini booming , apalagi dengan munculnya konsep mengenai Big Data , Data Modelling, Data Mining, dan Data Science serta Data Visualization . Sebenarnya, men...

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...