1 BAB I.PENDAHULUAN 1.1Latar Belakang Masalah Sosial media

1
BAB I.PENDAHULUAN
1.1 Latar Belakang Masalah
Sosial media seperti Twitter telah menciptakan sebuah wadah bagi orang
untuk menyebarkan informasi, pemikiran atau pun perasaan tentang kehidupan
mereka sehari-hari. Informasi yang disebarkan sering kali menunjukkan
keadaan saat ini. Banyak peneliti yang telah memanfaatkan kecepatan
pengiriman, murah dan keandalan Twitter dalam membagikan informasi.
Beberapa contoh penelitian yang telah dilakukan adalah monitoring gempa
bumi dan polling dalam dunia politik [4]. Hal ini juga dapat dimanfaatkan
untuk menggali informasi tentang pendapat masyarakat terhadap layanan
transportasi publik di Indonesia. Pendapat tersebut dapat berupa pandangan
negatif atau positif.
Salah satu teknik untuk mengetahui apakah pendapat yang diberikan
termasuk positif atau negatif yaitu dengan analisis sentimen. Analisis Sentimen
merupakan proses untuk memahami, mengestrak data berbasis teks secara
otomatis, yang bertujuan untuk mendapatkan informasi sentimen yang
terkandung di dalamnya. Analisis sentimen dilakukan untuk melihat pendapat
atau kecenderungan suatu opini terhadap sebuah masalah, apakah pendapat
tersebut cenderung berpandangan negatif atau positif [5].
Analisis Sentimen menggunakan Natural Language Processing (NLP) untuk
mengekstrak dan mengidentifikasi informasi dari data yang diberikan. Dan
menggunakan klasifikasi untuk menentukan apakah informasi yang diberikan
termasuk negatif atau positif. Permasalahan yang sering muncul di dalam
klasifikasi adalah banyaknya jumlah fitur di dalam data set, namun tidak semua
fitur berguna untuk klasifikasi. Fitur yang redundan dan yang tidak relevan
bahkan mungkin akan mengurangi performa [3].
1.2 Perumusan Masalah
Proses klasifikasi pada analisis sentimen sering kali menemui masalah yaitu
banyaknya jumlah fitur di dalam data set. Fitur yang redundan dan yang tidak
relevan bahkan mungkin akan mengurangi performa dari proses analisis
sentimen. Untuk itu diperlukan suatu metode untuk memilih fitur yang relevan
agar diperoleh hasil yang sama atau bahkan lebih baik jika dibandingkan
2
dengan menggunakan semua fitur. Feature selection adalah salah satu cara
untuk memilih fitur yang lebih relevan untuk proses klasifikasi.
1.3 Tujuan Program
Penelitian ini mengajukan sebuah pendekatan untuk melakukan analisis opini
tentang transportasi publik dengan cara opinion mining pada media sosial
Twitter. Dalam penelitian ini digunakan algoritma Particle Swarm
Optimization pada proses pemilihan fitur agar mendapatkan nilai akurasi yang
baik.
1.4 Luaran yang Diharapkan
Hasil analisis opini dapat dijadikan sebagai bahan acuan untuk melakukan
evaluasi terhadap layanan transportasi publik. Sehingga dapat dilakukan
peningkatan pada bidang transportasi yang masih kurang menurut penilaian
masyarakat.
BAB II. TINJAUAN PUSTAKA
1.1 Kepustakaan Penelitian
Pada kepustakaan penelitian ini akan dibahas mengenai penelitianpenelitian yang pernah dilakukan sebelumnya. Kajian pustaka yang
menimbulkan gagasan dan mendasari dalam pelaksanaan program ini adalah
sebagai berikut:
a. Bing Xue, Mengjie Zhang dan Will N. Browne, 2013, IEEE
Transactions On Cybernetics Vol 43, Particle Swarm Optimization
for Feature Selection in Classification: A Multiple-Obective Approach
Penelitian menyajikan studi terhadap multi-objektif Particle Swarm
Optimization (PSO) untuk pemilihan fitur (Feature Selection) dengan
menggunakan dua algoritma berbasis PSO. Algoritma pertama
memperkenalkan gagasan nondominated sorting menjadi PSO untuk
mengatasi masalah pemilihan fitur. Algoritma kedua menerapkan ide-ide
dari crowding, mutasi, dan dominasi untuk PSO untuk mencari solusi
Pareto. Dua algoritma multi-objektif ini dibandingkan dengan 2 metode
pemilihan fitur biasa, metode single objective feature selection, algoritma
two-stage feature selection, dan 3 algoritma multi-objektif terkenal
terhadap 12 data set. Hasil dari percobaan menunjukkan bahwa 2
algoritma multi-objektif berbasis PSO dapat mengembangkan solusi
nondominated secara otomatis. Algoritma pertama melebihi 2 metode
konvensional, metode single objective dan metode two-stage. Dan
mencapai hasil yang sebanding dengan tiga algoritma multi-objektif yang
telah ada. Algoritma kedua mencapai hasil yang lebih baik dari daripada
algoritma pertama, dan semua metode yang telah disebutkan [3].
3
b. Ismail Sunni dan Dwi Hendratmo Widyantoro, 2012, Jurnal Sarjana
Institut Teknologi Bandung Bidang Teknik Elektro dan Informatika
Volume 1, Analisis Sentimen dan Ekstraksi Topik Penentu Sentimen
pada Opini Terhadap Tokoh Publik
Penelitian ini menawarkan solusi F3 (F3 is Finder Factor) untuk
menangani permasalahan permodelan bahasa dari data Twitter di
Indonesia. F3 menggunakan metode Naive Bayes untuk melakukan
analisis sentimen, dan akan menampilkan kurva untuk mengetahui
perubahan sentimen. Untuk mengetahui topik yang menyebabkan
perubahan sentimen, F3 menggunakan metode Tf-Idf dengan discountedcumulative. Hasil analisis dan pengujian menunjukkan tahapan praproses
tidak memiliki pengaruh yang siginifikan terhadap akurasi (69,4 % 72,8%)
klasifikasi
sentimen.
Sedangkan
pengekstrakan
topik
menggunakan Tf-Id dengan discounted-cumulative mampu meningkatkan
jumlah topik terkestrak yang sesuai namun memiliki kelemahan ketika
memuat topik di hampir seluruh selang waktu atau topik yang bukan
bersumber dari berita di media internet [6].
c. Dr. Nirmala Devi K dan Dr. Jayanthi P, 2016, International Journal
of Advanced Engineering Technology, Sentiment Classification Using
SVM and PSO
Nirmala Devi K dan Jayanthi P menawarkan SVM-PSO untuk
melakukan klasifikasi sentimen pada data set review film. Hasil dari
percobaan menunjukkan bahwa pendekatan dengan SVM-PSO tidak hanya
dapat memilih fitur yang penting saja, namun juga menghasilkan akurasi
yang tinggi untuk analisis sentimen. Ini menunjukkan bahwa PSO
mempengaruhi akurasi dari algoritma SVM setelah digabungkan SVMPSO daripada menggunakan SVM biasa [2].
BAB III. METODE PENELITIAN
Metodologi penelitian yang digunakan dalam penelitian ini adalah sebagai
berikut :
4
1. Studi Literatur
Melakukan eksplorasi masalah yang akan diobservasi dan menentukan
solusi yang mungkin. Menentukan hipotesa yang mungkin dihasilkan dari
solusi yang diambil terhadap masalah yang ada.
2. Pengumpulan Data
Tahap ini dilakukan dengan cara mengumpulkan data dari Twitter
berdasarkan kata kunci : angkutan umum, transportasi publik, bus, kereta api,
dan kata kunci lainnya yang berhubungan dengan transportasi publik.
3. PerancanganSistem
Berikut adalah rancangan sistem yang akan dibuat dalam penelitian ini :
Gambar 2.1. Diagram Sistem
Secara umum, sistem ini dibagi menjadi beberapa tahapan :
a. Secara umum, sistem ini dibagi menjadi beberapa tahapan :
b. Setelah didapatkan data, kemudian dilakukan preprocessing yang
terdiri dari case folding, tokenizing, stemming dan stopwords.
c. Proses transformasi data sehingga data menjadi berguna dan dapat
ditelusuri.
d. Proses transformasi data sehingga data menjadi berguna dan dapat
ditelusuri.
e. Particle Swarm Optimization (PSO), proses feature selection
dilakukan dengan menggunakan algoritma PSO.
5
f. Setelah melalui proses seleksi fitur, data siap untuk dilakukan
klasifikasi
g. Klasifikasi dimulai dengan memasukkan data input, kemudian
dilakukan klasifikasi berdasarkan data training yang telah ada.
h. Hasil dari klasifikasi adalah apakah data termasuk dalam opini
negatif, positif atau bukan opini.
3.1 Preprocessing
Preprocessing adalah tahap yang harus dilakukan sebelum klasifikasi.
Tujuan dari tahap ini adalah untuk membersihkan data, dimana informasi
yang tidak dibutuhkan akan dibuang. Preprocessing terdiri dari beberapa
tahap :
3.1.1 Menghapus URL dan email
Dalam proses klasifikasi URL dan email tidak diperlukan.
3.1.2 Mengganti emoticon
Dalam tweet di Twitter, sering kali pengguna menggunakan
emoticon untuk mengungkapkan emosi mereka. Jadi perlu diubah
menjadi kata yang mencerminkan emoticon tersebut.
3.1.3 Menghapus karakter khusus twitter
Dalam twitter ada beberapa karakter khusus seperti # (hashtag), @
(username) dan RT (retweet).
3.1.4 Case Folding
Tahap ini mengubah huruf dalam teks menjadi huruf kecil.
3.1.5 Tokenizing
Tahap
ini
adalah
memecah
kalimat
menjadi
kata
yang
menyusunnya. Proses ini memisahkan setiap kata yang menyusun
suatu dokumen. Pada umumnya setiap kata dipisahkan dengan
tanda spasi, sehingga proses tokenizing menggunakan tanda spasi
sebagai pemisah tiap kata.
3.1.6 Stemming
Proses stemming merupakan proses mencari kata dasar suatu kata.
Pencarian kata dasar dapat memperkecil indeks tanpa harus
6
menghilangkan makna. Proses stemming adalah sebagai berikut :
●
Kata yang akan distemming akan dicari di dalam kamus, jika
ditemukan berarti kata tersebut merupakan kata dasar. Jika tidak
maka dilanjutkan proses berikutnya.
●
Kemudian kata akan dicek apakah memiliki inflectional suffixes,
yaitu akhiran (“-lah”, “-kah”, “-tah”, “-pun”) dan kata ganti
kepunyaan atau possessive pronoun PP (“-ku”, “-mu”, “-nya”)
ternyata pada kata dalam data uji tidak terdapat inflectional
suffixes dan possessive pronoun kemudian sistem melakukan
proses selanjutnya Derivation prefiks.
●
Pada kata dalam data uji akan dicek apakah memiliki Derivation
suffixes, yaitu akhiran(“-an”, ”-i”, “-kan”) ternyata pada kata
dalam data uji
terdapat Derivation suffixes maka sistem
menghapus akhiran derivation suffixes lalu sistem mengecek ke
kamus kata dasar jika kata hasil derivation suffixes ada di dalam
kamus kata dasar maka sistem berhenti jika tidak ditemukan
akan dilakukan proses selanjutnya.
●
Kata dalam data uji akan dicek, apakah memiliki derivation
prefixes, ternyata kata dalam data uji mengandung derivation
prefiixes kemudian sistem mencari kata ke kamus kata dasar jika
ditemukan maka kata dalam data uji adalah kata dasar dan
proses berhenti, jika tidak maka kata dikembalikan dan proses
berhenti Stemming juga dilakukan untuk mengganti singkatan.
3.2 Particle Swarm Optimization (PSO)
PSO merupakan algoritma yang didasarkan pada perilaku kawanan
burung atau ikan. Algoritma PSO meniru perilaku sosial dari organisme
ini, yaitu tindakan tiap individu dan pengaruh dari individu-individu lain
dalam satu kelompok. Setiap individu atau partikel berperilaku dengan
cara menggunakan kecerdasannya sendiri dan juga dipengaruhi oleh
kelompoknya. Dengan demikian, jika satu partikel atau seekor burung
7
menemukan jalan yang tepat untuk atau pendek untuk menuju ke sumber
makanan, sisa kelompok lain juga akan dapat mengikuti jalan tersebut
meskpiun lokasi mereka jauh dari kelompok tersebut.
Dalam PSO, kawanan diasumsikan mempunyai ukuran tertentu
dengan setiap partikel posisi awalnya terletak di suatu lokasi yang acak
dalam ruang multidimensi. Setiap partikel diasumsikan memiliki dua
karakteristik: posisi dan kecepatan. Setiap partikel bergerak dalam ruang
tertentu dan mengingat posisi terbaik yang pernah dilalui atau ditemukan
terhadap sumber makanan atau nilai fungsi objektif. Setiap partikel
menyampaikan informasi atau posisi terbaiknya kepada partikel lain dan
menyesuaikan
posisi
dan
kecepatan
masing-masing
berdasarkan
informasi yang diterima mengenai posisi tersebut.
Pada algoritma PSO, pencarian solusi dilakukan oleh suatu populasi
yang terdiri dari beberapa partikel. Populasi dibangkitkan secara acak
dengan batasan nilai terkecil dan nilai terbesar. Setiap partikel
mempresentasikan posisi atau solusi dari permasalahan yang dihadapi.
Setiap partikel melakukan pencarian solusi yang optimal dengan
melintasi ruang pencarian. Hal ini dilakuan dengan cara setiap partikel
melakukan penyesuaian terhadap posisi terbaik dari partikel tersebut
(local best) dan posisi terbaik dari seluruh kawanan (global best) selama
melintasi ruang pencarian. Jadi penyebaran dan pengalaman atau
informasi terjadi di dalam partikel itu sendiri dan antara suatu partikel
dengan partikel terbaik dari seluruh kawanan selama proses pencarian
solusi. Setelah itu, dilakukan proses untuk mencari posisi terbaik dari
setiap partikel dalam sejumlah iterasi tertentu sampai didapatkan posisi
yang relatif steady atau mencapai batas iterasi yang telah ditetapkan.
Pada setiap iterasi, setiap solusi yang direpresentasikan oleh posisi
partikel, dievaluasi performansinya dengan cara memasukkan solusi
tersebut ke dalam fitness function.
Berikut ini merupakan formulasi matematika yang menggambarkan
posisi dan kecepatan partikel pada suatu dimensi ruang tertentu :
Xi(t) = xi1(t), xi2(t), ..., xiN (t)
(1)
Vi(t) = vi1(t), vi2(t), ..., viN(t)
(2)
8
Dimana
X = posisi partikel
V = keceparan partikel
i = indeks partikel
t = iterasi ke-t
N = ukuran dimensi ruang
Untuk mengupdate status partikel menggunakan model matematika
dibawah ini :
Vi(t) = Vi(t - 1) + c1r1(XLi - Xi(t-1)) + c2r2(XG - Xi(t-1))
(3)
Xi(t) = Vi(t) + Xi(t - 1) (4)
Dimana :
XLi = xLi1, xLi2, ..., xLiN merepresentasikan local best dari partikel ke-
i
XG = XGi1, xGi2, ..., xGiN merepresentasikan global best dari seluruh
kawanan
Algoritm PSO meliputi langkah sebagai berikut :
1. Bangitkan posisi awal sejumlah partikel sekaligus kecepatan awalnya
secara random.
2. Evaluasi fitness dari masing-masing partikel berdasarkan posisinya
3. Tentukan partikel dengan fitness terbaik, dan tetapkan sebagai Gbest.
Untuk setiap partikel, tentukan Pbest awal sama dengan posisi awal
4. Menggunakan Gbest dan Pbest yang ada, perbarui kecepatan setiap
partikel menggunakan persamaan 3. Lalu dengan kecepatan baru yang
didapat, perbarui posisi setiap partikel menggunaan persamaan 4.
5. Evaluasi fitness tiap partikel.
6. Tentukan partikel dengan fitness terbaik, tetapkan Gbest. Untuk setiap
partikel tentukan Pbest dengan membandingkan posisi sekarang dengan
Pbest iterasi sebelumnya.
7. Cek stopping criteria. Jika dipenuhi berhenti, jika tidak kembali ke
langkah 4.
9
3.3 Opinion Mining (Sentimen Analysis)
Setelah dilakukan proses pemilihan fitur, tahap selanjutnya adalah
proses opinion mining. Proses ini juga disebut sebagai sentimen analisis,
yaitu proses untuk memahami, mengekstrak dan mengolah data tekstual
secara otomatis untuk mendapatkan informasi sentimen yang terkandung
dalam suatu kalimat opini.
Untuk melakukan analisis opini, perlu dilakukan pemberian nilai
pada tiap kata sebagai referensi untuk melakukan klasifikasi sentimen dan
rule untuk melakukan perhitungannya.
a. Derajat Kata
Derajat kata digunakan untuk memberikan penilaian pada tiap-tiap
kata. Nilai tersebut terdiri dari -1, 0, dan 1. -1 untuk kata negatif, 0 untuk
kata obyektif, dan 1 untuk kata positif.
Kata
Tipe
Nilai
Bagus
Kata Sifat
1
Tampan
Kata Sifat
1
Bosan
Kata Kerja
-1
Sakit
Kata Kerja
-1
Takut
Kata Kerja
-1
Indah
Kata Sifat
1
Tabel 1. Contoh pemberian nilai pada kata
b. Rule
Setelah ditentukan nilai untuk tiap kata. Ditambahkan rule sebagai
aturan untuk penilaian sentimen. Proses ini tidak menggunakan algoritma
khusus, melainkan dengan teknik impresi. Teknik Ini lebih sederhana
dibandingkan dengan menggunakan algoritma. Teknik impresi lebih
condong ke penganalisisan sususan kata pada suatu kalimat.
Teknik ini menganalisa letak kata sifat, kata kerja, dan preposisi pada
suatu kalimat. Preposisi adalah kata yang menghubungkan kata atau
bagian kalimat dan biasanya diikuti oleh nomina atau pronomina,
contohnya tidak, belum, sangat, dan lain-lain.
10
BAB IV. BIAYA DAN JADWAL KEGIATAN
4.1 Anggaran Biaya
Tabel 3 anggaran biaya
No
1
2
3
4
Jenis Pengeluaran
Biaya (Rp)
Rp. 1.500.000
Rp. 2.500.000
Rp. 250.000
Rp. 900.000
Rp. 5.150.000
Alat penunjang
Habis pakai
Publikasi
Laporan
Jumlah
4.2 Jadwal Kegiatan
Tabel 4 jadwal kegiatan
No
KEGIATAN
1
Studi Literatur
2
Perancangan Sistem
3
Penyusunan Proposal & Ujian TPPA
4
Pembuatan Sistem
5
Penyusunan Buku
6
Ujian & Seminar TA
BULAN
1
2
3
4
5
6
7
DAFTAR PUSTAKA
[1] Basari, Abd. Samad H., Hussing, B., Ananta, I Gedhe P., Zeniarja, J. 2012.
“Opinion Mining of Movie Review using Hybrid Method of Support
Vector Machine and Particle Swarm Optimization”. Dalam Malaysian
Technical Universities Conference on Engineering & Technology 2012.
[2] Devi, Nirmala K., Jayanthi, P. 2016. “Sentiment Classification Using
SVM and PSO”. International Journal of Advanced Engineering
Technology.
[3] Dredze, Mark. 2012. “How Social Media Will Change Public Health”.
IEEE Computer Society.