Langsung ke konten utama

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!

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...