Ekstraksi Teks Spesifik dengan Regular Expression (REGEX) dengan R Bagian I

Ekstraksi Teks dengan Regex R

Pembahasan mengenai data preprocessing dalam konteks Data Science dan Big Data selalu menjadi perhatian utama. Terlebih, bila yang kita punyai merupakan data tidak terstruktur berbentuk teks. Data ini sering kita jumpai atau peroleh, baik dari hasil web scraping atau web crawling data-data teks.

Data teks biasanya kita temui di media sosial, website, portal, atau sejenisnya. Sebagai bagian dari data tidak terstruktur, tentunya untuk menghasilkan insight data teks, kita perlu tahapan yang sangat kompleks dengan segala tantangan yang ada. Apalagi data teks berbahasa khusus sebuah negara, katakanlah teks berbahasa Indonesia.

Mulai dari unggahan ini, nantinya akan kita ulas secara perlahan mengenai bagaimana melakukan data preprocessing teks dengan R. Mengingat dalam sebuah teks yang tersebar di internet terdapat karakter-karakter yang unik, spesifik, bahkan campur aduk dengan teks, maka kita akan mencoba praktik ekstraksi-ekstraksi teks spesifik menggunakan regular expression (regex).

Dalam pengertiannya, regex merupakan sekumpulan karakter berpola berbahasa mesin untuk dicocokan dengan inputan karakter dalam teks. Jenis regex yang akan kita jadikan sarana ekstraksi teks kali ini terdiri atas 4 jenis, yaitu koma (,), atau (|), bintang (*), serta titik dua tanda tanya kurung (:?).

Regex koma (,) digunakan untuk mencocokkan karakter koma mesin dengan karakter koma dalam teks. Regex atau (|) digunakan untuk menentukan pilihan-pilihan karakter yang akan dicocokkan, misal karakter koma atau titik dua, kalau ditulis ",|:". Regex bintang (*) digunakan untuk mencocokkan karakter dimana pun letak atau posisinya, baik sebelum maupun sesudahnya. Sedangkan regex titik dua tanda tanya kurung (:?) digunakan untuk mencocokkan bagian yang menjadi kelompok karakter dalam kurung, misalkan bila kita ingin mengekstraksi teks yang mengandung kata "sayang" maka dituliskan "(:?sayang)".

Untuk lebih jelas perbedaan dari masing-masing regex, kita akan mempraktikkannya menggunakan sebuah kalimat berikut:

#menyiapkan data teks
y <- "Pendaftaran di sekolah dasar, sekolah privat"
y

## [1] "Pendaftaran di sekolah dasar, sekolah privat"

#menghapus teks "Pendaftaran di(tanpa spasi)"
gsub("Pendaftaran di", "", y)

## [1] " sekolah dasar, sekolah privat"

#menghapus teks "Pendaftaran di (dengan spasi)"
gsub("Pendaftaran di ", "", y)

## [1] "sekolah dasar, sekolah privat"

#menghapus teks "Pendaftaran di(tanpa spasi)" dan sebelum spasi
gsub("Pendaftaran di |.*,", "", y)

## [1] " sekolah privat"

#menghapus teks "Pendaftaran di (dengan spasi)" dan sebelum spasi
gsub("Pendaftaran di |.*, ", "", y)

## [1] "sekolah privat"

#ekstrak teks yang dimulai dengan tanda koma "," dengan 1 spasi
#ekstrak teks setelah tanda koma ","
gsub(".*, ", "", y)

## [1] "sekolah privat"

#ekstrak teks yang diakhiri dengan tanda koma ","
#ekstrak teks sebelum tanda koma
gsub(",.*", "", y)

## [1] "Pendaftaran di sekolah dasar"

#ekstrak teks selain teks "sekolah dasar"
gsub("(?:sekolah dasar)", "", y)

## [1] "Pendaftaran di , sekolah privat"

#ekstrak teks selain teks "sekolah dasar" termasuk tanda koma ","
gsub("(?:sekolah dasar)|,", "", y)

## [1] "Pendaftaran di  sekolah privat"

#Ekstrak teks yang diikuti oleh teks "sekolah"
gsub("sekolah*", "", y)

## [1] "Pendaftaran di  dasar,  privat"

Demikian sedikit sharing kita kali ini. Jangan lupa untuk terus menyimak setiap unggahan spesial di blog sederhana ini. Semoga sedikit atau banyak memberi manfaat kepada semua pembaca. Selamat memahami dan mempraktikkan!