Analisis Sentimen Penilaian Tempat Tujuan Wisata Kota Tegal Berbasis Text Mining

.
Abstract

Mendapatkan sebuah informasi untuk meningkatkan pelayanan dan strategi dalam pengelolaan tempat kunjungan wisata masih sedikit dan sulit dikarenakan informasi yang didapatkan masih terbatas.

Media sosial memiliki peranan dalam memberikan sebuah data terhadap penilaian kunjungan wisata, sama halnya dengan tempat-tempat wisata yang berada di wilayah Tegal dan sekitarnya.

Pada penelitian ini model sentiment analysis diusulkan sebagai solusi untuk mengatasi permasalahan.

Tujuan dari penelitian ini adalah mencari model sistem untuk memberikan sebuah informasi pendukung keputusan bagi para wisatawan dan pengelola tempat wisata untuk dijadikan sumber informasi terhadap tempat wisata yang ada.

Metode penelitian yang digunakan adalah dengan melakukan eksperimen untuk mendapatkan model yang diharapkan.

Pada penelitian ini metode Naïve Bayes dan Decision Tree diterapkan untuk klasifikasi teks sehingga mendapatkan model terbaik yang dihasilkan untuk diimplementasikan pada sistem sehingga model yang didapatkan dapat dijadikan sebuah sistem pendukung keputusan untuk pengembangan sistem cerdas pada pihak terkait dalam upaya peningkatan nilai jual potensi daerah khususnya bidang pariwisata.

Hasil penelitian menunjukan bahwa model yang didapatkan setelah dilakukan eksperimen didapatkan tingkat akurasi naïve bayes menghasilkan 77,50% lebih baik dibandingkan dengan menggunakan Decision Tree yang menghasilkan tingkat akurasi 60,83%.
.
https://www.researchgate.net/publication/335016505_Analisis_Sentimen_Penilaian_Tempat_Tujuan_Wisata_Kota_Tegal_Berbasis_Text_Mining

Optimasi Suffix Tree Clustering dengan Wordnet dan Named Entity Recognition untuk Pengelompokan Dokumen

.
Abstrak

Semakin meningkatnya jumlah dokumen teks di dunia digital mempengaruhi banyaknya jumlah informasi dan menyebabkan kesulitan dalam proses temu kembali informasi (information retreival).

Clustering dokumen merupakan suatu bidang text mining yang penting dan dapat digunakan untuk mengefisienkan dalam pengelolaan teks serta peringkasan teks.

Namun beberapa permasalahan muncul dalam clustering dokumen teks terutama dalam dokumen berita seperti ambiguitas dalam content, overlapping cluster, dan struktur unik yang terdapat dalam dokumen berita.

Penelitian ini mengusulkan metode baru yaitu optimasi Suffix Tree Clustering (STC) dengan WordNet dan Named Entity Recognition (NER) untuk pengelompokan dokumen.

Metode ini memiliki beberapa tahap, yaitu prepocessing dokumen dengan mengekstraksi named entity serta melakukan deteksi sinonim berdasarkan WordNet.

Tahap kedua adalah pembobotan term dengan tfidf dan nerfidf.

Tahap ketiga adalah melakukan clustering dokumen dengan menggunakan Suffix Tree Clustering.

Berdasarkan pengujian didapatkan rata-rata nilai precision sebesar 79.83%, recall 77.25%, dan f-measure78.30 %.

Kata kunci: Clustering dokumen, Named Entity Recognition, Suffix Tree Clustering, WordNet
.
https://www.researchgate.net/publication/322735269_Optimasi_Suffix_Tree_Clustering_dengan_Wordnet_dan_Named_Entity_Recognition_untuk_Pengelompokan_Dokumen

Text Mining pada Sosial Media untuk Mendeteksi Emosi Pengguna Menggunakan Metode Support Vector Machine dan K-Nearest Neighbour

.
Twitter layanan jejaring sosial dan mikroblog yang memungkinkan penggunanya untuk mengirim dan membaca pesan berbasis teks hingga 140 karakter, yang dikenal dengan sebutan kicauan (tweet).

Sebuah teks pada tweet tidak hanya menyampaikan keterangan dari suatu informasi, tetapi juga berisi informasi tentang perilaku manusia termasuk emosi.

Untuk mendeteksi emosi dari teks pada layanan sosial media twitter dengan data yang tidak terstruktur maka perlu dilakukan analisis teks salah satunya dengan menggunakan Text Mining.

Pada penelitian ini mengusulkan melakukan penelitian text mining pada Sosial Media untuk mendeteksi emosi pengguna.

Deteksi emosi berbasis teks dapat digunakan dalam bisnis, pendidikan, psikologi, dan bidang lain mana pun yang paling penting untuk memahami dan menafsirkan emosi.

Tahapan penelitian ini melalui beberapa tahapan yaitu data. Dari Pengujian yang dilakukan dengan metode Support Vector Machine dan K-Nearest Neighbour dapat menghasilkan nilai rata-rata precision sebesar 0.45640904478933. nilai recall sebesar 0.50199332258158 dan pada nilai accuracy sebesar 0.8140589569161 sedangkan dari metode K-Nearest Neighbour nilai rata-rata precision sebesar 0.34210487225193. nilai recall sebesar 0.45954538381009 dan pada nilai accuracy sebesar 0.79705215419501. hasil dari pengujian dengan metode SVM-KNN menunjukkan bahwa kesesuaian klasifikasi emosi lebih baik daripada metode K-Nearest Neighbour dari keseluruhan kategori emosi.



I. PENDAHULUAN

Data tidak terstruktur banyak terdapat pada layanan sosial media. 

Layanan  sosial  media  merupakan  penyedia  sumber daya yang menyediakan data yang cukup besar.

Media sosial banyak menyita perhatian masyarakat karena dianggap dapat menjadi tempat untk berbagi karya, ide, opini tentang isu-isu yang terjadi  secara bebas, dan media untuk  mengungkapkan berbagai  hal  mengenai  kehidupan  pribadinya. 

Salah  satu media  sosial  yang  banyak  digunakan  masyarakat  adalah Twitter. 

Twitter  layanan  jejaring  sosial  dan  mikroblog  yang memungkinkan penggunanya untuk mengirim dan membaca pesan berbasis teks hingga 140 karakter, yang dikenal dengan sebutan kicauan (tweet)[1].

Sebuah  teks  pada  tweet  tidak  hanya  menyampaikan keterangan dari  suatu informasi,  tetapi  juga berisi informasi tentang perilaku manusia termasuk emosi.

Emosi merupakan keadaan  kompleks  dari  pikiran  yang  dipengaruhi  oleh peristiwa  eksternal,  perubahan  fisiologis,  atau  hubungan dengan orang lain. 

Dengan  tidak adanya kontak  tatap muka untuk  mendeteksi  ekspresi  wajah  dan intonasi  dalam  suara, opsi  alternatifnya  adalah  menguraikan  emosi  dari  teks  di layanan  sosial  media. 

Studi  penelitian  pendeteksian  emosi telah  menyelidiki  deteksi  emosi  dalam  prosodi,  perubahan keadaan  fisiologis,  ekspresi  wajah  dan  teks. 

Namun,  ada kekurangan  penelitian  dalam  mendeteksi  emosi  dari  teks dibandingkan dengan area lain dari deteksi emosi [2].

Untuk  mendeteksi  emosi  dari  teks  pada  layanan  sosial media twitter dengan data  yang tidak  terstruktur maka  perlu dilakukan  analisis  teks  salah  satunya  dengan  menggunakan Text  Mining.

Text  mining  mencoba  untuk  mengekstrak informasi yang berguna dari sumber data melalui identifikasi dan eksplorasi dari suatu pola menarik.

Sumber  data berupa sekumpulan dokumen dan pola menarik yang tidak ditemukan dalam  bentuk  database record,  tetapi  dalam  data  teks  yang tidak terstruktur.

Beberapa  penelititan  mengenai  deteksi  emosi  telah dilakukan contohnya padap enelitian yang dilakukan Chaitail G. Patil dan Sandip S.Patil  menyebutkan penggunaan metode Support Vector Machine dan dataset ISEAR memiliki akurasi tertinggi  yaitu  71.64%  sedangkan  Metode  Naive  Bayes Classifier akurasinya 60.8% dan yang terendah pada metode Vector Space Model 34.8% dalam untuk Ekstraksi Emosi dari Headline News [3].

Namun Pada penelitianm Arifin and Ketut Eddy  Purnama  melakukan  Klasifikasi  Emosi  Dalam  Teks Bahasa Indonesia menggunakan metode K-Nearest Neighbour.

Pada penelitian yang dilakukan penulis melakukan klasfikasi emosi  pada artikel  yang  ada  diinternet  kemudian dilakukan pengujian  antara  metode  Naïve  Bayes  dengan  K-Nearest Neighbour.

Hasil  dari penelitian tersebut  didapat metode K-Nearest Neighbour menghasilkan nilai akurasi 71.26% yang lebih tinggi daripada metode Naïve Bayes dengan nilai akurasi 58.01% [4].

Berdasarkan  latar  belakang  dan  beberapa  penelitian sebelumnya maka penulis melalui penelitian ini mengusulkan melakukan  penelitian  implementasi text  mining  pada  Sosial Media untuk mendeteksi emosi pengguna.

Metode klasifikasi yang digunakan yaitu metode Support Vector Machine untuk klasifikasi  kelas  emosi  dan  metode  K-Nearest  Neighbour untuk klasifikasi kategori emosi. 

Metode tersebut  digunakan karena metode Support Vector Machine memiliki nilai akurasi tertinggi  pada  penelitian  sebelumnya  serta  Support  Vector Machine  secara  teoritik  dikembangkan  untuk  problem klasifikasi  dengan  dua  class  yang  sangat  tepat  untuk klasifikasi  kelas  emosi[5].

Sedangkan  Metode  K-Nearest Neighbour digunakan  karena pada penelitian sebelumnya K-Nearest  Neighbour  memiliki  akurasi  yang  lebih  tinggi daripada  metode  Naive  Bayes  dan  Metode  K-Nearest Neighbour melakukan  pelatihannya sangat cepat dan  Efektif jika  data  pelatihan  besar  yang  sangat  cocok  dengan penggunaan ISEAR  dataset [6]. 

Deteksi emosi berbasis teks seperti  yang disebutkan sebelumnya dapat  digunakan  dalam bisnis, pendidikan, psikologi, dan bidang lain mana pun yang paling penting untuk memahami dan menafsirkan emosi.


.
https://www.researchgate.net/publication/333020467_Text_Mining_pada_Sosial_Media_untuk_Mendeteksi_Emosi_Pengguna_Menggunakan_Metode_Support_Vector_Machine_dan_K-Nearest_Neighbour

Analisis sentimen pemilihan presiden Indonesia 2019 di twitter dengan mesin vektor sokongan dan berasaskan leksikon (SVM)

.
Perkembangan media sosial saat ini sangat pesat, dan Twitter adalah media sosial yang banyak digunakan oleh orang dalam menyebarkan maklumat, bahkan dalam proses pemilihan presiden media sosial twitter memiliki peranan penting dalam penyebaran maklumat baik atau jahat untuk menjatuhkan seorang calon presiden.

Kajian ini bertujuan untuk menganalisis semua maklumat yang diperoleh dari Twitter untuk mendapatkan nilai positif dan negatif untuk mendapatkan ramalan elektabiliti calon presiden.

Dalam proses klasifikasi, penyelidikan ini menggunakan kaedah lexicon-base dan mesin sokongan vektor (SVM).

Tahap data pra-proses menggunakan penandaan bahagian-ucapan, ujian chi-square, dan mengumpulkan pendapat mengenai entiti (NN & NNP) yang bertujuan untuk mengelakkan penarikan balik yang rendah dari kaedah berasaskan leksikon.

Data yang digunakan mengambil tweet dalam bahasa Indonesia dan bahasa Inggeris dengan beberapa set data dari 2000 tweet dengan pemisahan dua pendapat dari setiap calon presiden.

Dari ketepatan kekutuban, dapatkan nilai dengan kata kunci jokowi untuk mendapatkan nilai positif 24.10%, negatif 38.30% dan neutral 38.30% sementara untuk kata kunci prabowo ia mendapat nilai positif 0.20%, negatif 0.10% dan neutral 0.70%.
.
https://www.researchgate.net/publication/340639755_Sentiment_analysis_of_Indonesian_presisential_election_2019_on_the_twitter_with_lexicon-based_and_support_vector_machine_SVM

Apa Itu Text Mining?

.
Text mining atau penambangan teks merupakan analisis teks dimana sumber data biasanya didapatkan dari dokumen, dan tujuannya adalah mencari kata-kata yang  dapat  mewakili  isi  dari  dokumen  sehingga  dapat  dilakukan  analisa keterhubungan,  keterkaitan  dan  kelas  antar  dokumen  (Leismester,  2015). 

Text mining melingkupi sebuah proses ekstraksi informasi yang terpola yang berasal dari sejumlah besar sumber data teks, seperti dokumen Word, PDF, kutipan teks, atau bahkan sms (Hartanto, 2017).

Dalam aplikasinya di media sosial, text mining di antaranya dapat berupa mencari frekuensi tiap kata dalam kumpulan teks, disebut dengan wordcloud,  dan mengindentifikasi  emosi dalam kumpulan teks,  disebut dengan analisis sentimen.

Pada wordcloud, perhitungan dilakukan  pada setiap kata yang kemudian ditampilkan  dalam  sebuah  gambar  kumpulan  teks  yang  mana  semakin  besar frekuensi suatu  kata, ukuran  kata dalam gambar  tadi juga  akan semakin besar.

Sementara analisis sentimen, yang merupakan bagian dari opinion mining, adalah
riset  komputasional  dari opini,  sentimen, dan  emosi yang  diekspresikan secara tekstual (Liu, 2010).

Setiap kata diidentifikasi dan diklasifikasikan dalam emosi netral, positif, dan negatif.

Analisis sentimen  dilakukan untuk melihat  pendapat terhadap  sebuah  masalah  atau  dapat  juga  digunakan  untuk  identifikasi kecenderungan hal di pasar (Pang, Lee, & Vaithyanathan, 2002).

Sehingga, suatu organisasi/perusahaan/perorangan  ingin  memperoleh  opini  publik  mengenai produk, citra, dan layanannya, maka tidak perlu melakukan survei konvensional dan fokus grup yang mahal biayanya (Putranti & Winarko, 2014).

Text mining sendiri mengacu pada penggunaan teknik data mining untuk menemukan pola-pola penting dalam teks.

Hanya saja, tidak seperti pada kasus-kasus penggunaan data mining, data pada penggunaan text mining lebih terstruktur (Azarbonyad, 2013).

Sementara EDUCBA (n.d.) menjelaskan bahwa data mining atau yang dikenal juga sebagai knowledge discovery of data (KDD) merujuk pada proses mengekstrak informasi dari kumpulan data berjumlah besar, seperti big data.

Data  mining  sering  digunakan  dalam  bidang  statistik,  machine  learning,  dan kecerdasan  buatan  (artificial  intelligence). 

Komponen-komponen  dalam  proses data mining terbagi ke dalam lima level, yaitu
1. pengekstrakan, pengubahan, dan memuat  data  ke  dalam  suatu  wadah; 
2.  penyimpanan  dan  pengelolaan; 
3. penyediaan akses data;
4. proses analisis; dan
5. presentasi hasil ke pengguna dalam sebuah user interface.

Kemudian, big data mengacu pada jumlah data yang sangat besar, baik terstruktur, semi-terstruktur, dan tidak terstruktur.

Big data terdiri atas lima V, yaitu:
1. volume, mengacu pada jumlah atau ukuran data yang bisa mencapai triliunan,
2. variety, mengacu pada tipe data yang tidak seperti  umumnya, seperti media sosial dan log server web,
3. velocity, mengacu pada kecepatan data tersebut untuk bertumbuh, big data akan selalu tumbuh secara eksponensial pada kecepatan yang sangat tinggi,
4. veracity, mengacu pada ketidakpastian data, sebagai contoh pada media sosial yang kebenaran datanya tidak bisa dipastikan, dan
5. value, mengacu pada data yang disimpan dan diproses harus berarti/berharga dan  bagaimana  analis  mendapatkan  manfaat  dari  jumlah  data  yang  besar tersebut.
.
https://www.researchgate.net/publication/334413557_Analisis_Text_Mining_terhadap_BPS_di_Twitter_Menggunakan_R

A Systematic Review of Emoji: Current Research and Future Perspectives

.
Abstract
A growing body of research explores emoji, which are visual symbols in computer mediated communication (CMC). In the 20 years since the first set of emoji was released, research on it has been on the increase, albeit in a variety of directions. We reviewed the extant body of research on emoji and noted the development, usage, function, and application of emoji. In this review article, we provide a systematic review of the extant body of work on emoji, reviewing how they have developed, how they are used differently, what functions they have and what research has been conducted on them in different domains. Furthermore, we summarize directions for future research on this topic.
.

.

Computer Science

Research in the field has focused on using emoji for emotional analysis of UGC data, the conversion of emoji to other expression modality, and using emoji for optimizing computer systems.

UGC=User-Generated Content.

Sentiment Analysis

With the significant growth of UGC data on the Internet, sentiment analysis which aims at changing this data into valuable asset for decision making, has become increasingly important (Al-Azani et al., 2018). As emoji are widely used in expressing emotions, they have become an effective means of sentiment analysis (Hogenboom et al., 2013; Cappallo et al., 2015). A number of studies have confirmed the effective performance of emoji in sentiment analysis (Sari et al., 2014; Cahyaningtyas et al., 2017; Felbo et al., 2017; LeCompte and Chen, 2017). Besides, emoji-based sentiment analysis is language-independent and exhibits cross-language validity (Guthier et al., 2017), for example, Al-Azani et al. (2018) found that emoji can also be used in analyzing the sentiment of Arabic tweets. However, other studies have shown that using emoji in sentiment analysis leads to higher emotional scores, and that this effect is more pronounced in positive comments (Ayvaz and Shiha, 2017).

Many studies have provided algorithms and models for emoji-based sentiment analysis, which mainly uses two kinds of techniques, sentiment lexicon, and machine learning.

The sentiment lexicon method

The sentiment lexicon approach focuses on building an emoji emotional lexicon to support text sentiment analysis. By human annotating, Petra et al. (2015) has classified 751 commonly used emoji and built an emoji lexicon based on the positivity of emoji. But because there are so many emoji, some researchers have come up with ways to build emoji dictionaries automatically.

Jiang et al. (2015) proposed an emoticon space model to automatically match emotional tags for emoji. Kimura and Katsurai (2017) assigned multi-dimensional emotional vectors to emoji by calculating the co-occurrence frequency of emoji and emotional words in WordNet-Affect. Aoki and Uchida (2011) have also automatically generated emoji vectors based on the relationship between emotional words and emoji. By using the Word2Vec clustering method, Mayank et al. (2016) divided emoji into clusters which represent different human emotions.

The machine learning method

The machine learning method refers to train sentiment classifiers based on a corpus in order to analyze the sentiments of text (Wang et al., 2012). Machine learning can be divided into supervised learning and unsupervised learning. They are different in that the former needs a human annotated corpus while the latter doesn’t.

The effectiveness of using emoji as a way of training classifiers has been proven (Hallsmar and Palm, 2016) and furthermore it has been shown that emoji outperform emoticons (Redmond et al., 2017). An example of supervised learning is the emoticon smoothed language model (ESLAM) proposed by Liu et al. (2012), which classifies twitter based on a model trained by a human annotated corpus.

A lot of research has focused on unsupervised learning (Li et al., 2018), and constructed sentiment analysis models trained automatically using emoji data sets. Chen Y. et al. (2018) trained sentiment classifiers by via bi-sense emoji embedding and attention-based long short-term memory network (LSTM) in order to analyze the sentiment of messages on Twitter. Wang et al. (2016) designed a hybrid sentimental entity recognition model (HSERM), which classifies emoji into four different emotional categories, and then categorizes the emotional data based on the model. Some research has focused on the ironic features of emoji and developed an irony detection model for emoji in order to improve the accuracy of sentiment analysis of tweets (Reyes et al., 2013; Prasad et al., 2017; Singh et al., 2019).

Modality Transitions

The visual features and Unicode basis of emoji make them anindependent expressive modality that is different from text andpictures (Cappallo et al., 2019). A lot of research focuses onconversion between emoji and other modalities such as text,picture and video.

For example, Emoji2Video offers a way to search for videosusing emoji (Cappallo et al., 2015). Later research has focusedon the shift from other modalities to emoji. Because of thecorrelation between emotional categories in text and users’ emojiselections, Hayati and Muis (2019) and Zanzotto and Santilli(2018) proposed two different ways to predict emoji based ontext. Kim et al. (2019) developed Reeboc, which can analyze chatcontent, extract different emotions or topics, and then, based onthis, recommend emoji to users. The practice of text-based emojiprediction has also been validated in other languages, such asHebrew (Liebeskind et al., 2019).

System Optimization

Emoji have played a role in improving the performance of computer hardware and software. For example, emoji can be used to achieve diverse in-car interaction design. In order to optimize the functions of the central rear-view mirror, researchers suggest that passengers emotions can be fed back to the driver through emoji and other elements, which can enhance mutual understanding between driver and back-seat passenger (Chao et al., 2019).

Furthermore, emoji can also be applied in the area of password security. Kraus et al. (2017) came up with the EmojiAuth project, exploring how the use of emoji affects the availability of mobile authentication and user experience by adding emoji into passwords. Compared with the Standard PIN (Personal Identification Number) input, a password containing emoji is easier to remember and, thus, emoji-based authentication is a practical alternative to traditional PIN authentication.
.
https://www.researchgate.net/publication/336561000_A_Systematic_Review_of_Emoji_Current_Research_and_Future_Perspectives

What is ideograms

.
What is ideograms?
An ideogram or ideograph (from Greek ἰδέα idéa "idea" and γράφω gráphō "to write") is a graphic symbol that represents an idea or concept, independent of any particular language, and specific words or phrases. Some ideograms are comprehensible only by familiarity with prior convention; others convey their meaning through pictorial resemblance to a physical object, and thus may also be referred to as pictograms.

.
https://en.wikipedia.org/wiki/Ideogram