IMPLEMENTASI ALGORITMA NAÏVE BAYES CLASSIFIER DALAM KLASIFIKASI USER BERDASARKAN TWEET

Transkripsi

1 IMPLEMENTASI ALGORITMA NAÏVE BAYES CLASSIFIER DALAM KLASIFIKASI USER BERDASARKAN TWEET TUGAS AKHIR Sebagai Persyaratan Guna Meraih Gelar Sarjana Strata 1 Teknik Informatika Universitas Muhammadiyah Malang Disusun Oleh: Lalu Taqi Mustaqim JURUSAN TEKNIK INFORMATIKA FAKULTAS TEKNIK UNIVERSITAS MUHAMMADIYAH MALANG 2015 i

2

3

4

5 KATA PENGANTAR Alhamdulillahirrobbil alamin, segala puji bagi Allah SWT Tuhan semesta alam yang telah memberi hidayah dan rahmat-nya sehingga penulis dapat menyelesaikan penelitian tugas akhir dengan judul IMPLEMENTASI ALGORITMA NAÏVE BAYES CLASSIFIER DALAM KLASIFIKASI USER BERDASARKAN TWEET. Pada penelitian ini, penulis ingin mengklasifikasi user berdasarkan tweet untuk mencari opini mining positif dan negatif yang terdapat pada tweet berita user yang meliputi berita politik, entertainment, olahraga, maupun pendidikan. Penulis menyadari bahwa penelitian ini masih jauh dari kesempurnaan. Oleh karena itu, penulis mengharapkan kritik dan saran yang membangun. Akhir kata penulis mengucapkan terima kasih kepada semua pihak yang telah membantu hingga tugas akhir ini terselesaikan. Malang, April 2015 Lalu Taqi Mustaqim

6 DAFTAR ISI Halaman HALAMAN JUDUL... i LEMBAR PERSETUJUAN... LEMBAR PENGESAHAN... LEMBAR PERNYATAAN... ABSTRAK... ABSTRACT... LEMBAR PERSEMBAHAN... KATA PENGANTAR... DAFTAR ISI... DAFTAR GAMBAR... DAFTAR TABEL... ii iii iv v vi vii viii ix x xi BAB I : PENDAHULUAN Latar Belakang Rumusan Masalah Tujuan Batasan Masalah Metodologi Sistematika Penulisan... 5 BAB II : LANDASAN TEORI Twitter Sentiment Analysis Text Mining Text Preprocessing Feature Selection Stemming ix

7 2.4.1 Morfologi Proses Morfologi Afiksasi Sisipan (Infiks) Akhiran (Sufiks) Konfiks N-Gram Algoritma Confix-Stripping Aturan Peluruhan Kata Dasar Naïve Bayes Classifier BAB III : ANALISA DAN PERANCANGAN SISTEM Analisa Sistem Deskripsi Perangkat Lunak Analisis Kebutuhan Sistem Usecase Diagram Perancangan Sistem Activity Diagram Sistem Sequence Diagram Sistem Class Diagram Desain Database Desain Interface BAB IV : IMPLEMENTASI DAN PENGUJIAN Implementasi Sistem Implementasi Pengembangan Perangkat Keras Implementasi Lingkungan Pengembangan Perangkat Lunak Implementasi Case Aplikasi Key Dan Token Twitter Api x

8 4.2 Pengujian Sistem Code Dan Screenshot Halaman Utama Pencarian Query Code Dan Screenshot Load Data Tweet (Twitter API) Code Dan Screenshot Klasifikasi User Berdasarkan Tweet Code Dan Screenshot Output Sentimen Positif Dan Negatif Code Dan Screenshot Klasifikasi Naïve Bayes Data Training Pengujian Akurasi BlackBox Testing BAB V : KESIMPULAN DAN SARAN Kesimpulan Saran xi

9 xii

10 DAFTAR GAMBAR Halaman Gambar 3.1 Flowchart Sistem Gambar 3.2 Skema Proses Pengambilan Tweet Gambar 3.3 Urutan Proses Secara Umum Gambar 3.4 Usecase Diagram Gambar 3.5 Activity Diagram Input Query Tweet Gambar 3.6 Activity Diagram Load Twitter API Gambar 3.7 Activity Diagram Klasifikasi User Berdasarkan Tweet Gambar 3.8 Activity Diagram Output Opini Positif Dan Negatif Gambar 3.9 Sequence Diagram Input Query Gambar 3.10 Sequence Diagram Load Twitter API Gambar 3.11 Sequence Diagram Klasifikasi User Berdasarkan Tweet Gambar 3.12 Sequence Diagram Output Opini Positif Dan Negatif Gambar 3.13 Class Diagram Gambar 3.14 Interface Aplikasi Gambar 4.1 Folder Dan File Code Aplikasi Gambar 4.2 Key Twitter API Yang Digunakan Gambar 4.3 Token Twitter API yang Digunakan Gambar 4.4 Code Halaman Utama Pencarian Query Gambar 4.5 Screenshot Aplikasi dari Kode Gambar Gambar 4.6 Code Load Data Tweet (Twitter API) Gambar 4.7 Screenshot Load Data tweet (Twitter API) Gambar 4.8 Code Klasifikasi User Berdasarkan Tweet Gambar 4.9 Code Output Positif Dan Negatif Gambar 4.10 Screenshot Aplikasi Dari Kode Gambar 4.8 dan Gambar 4.11 Code Klasifikasi Naïve Bayes Data Training xiii

11 Gambar 4.12 Screenshot Klasifikasi Naïve Bayes Data Training xiv

12 DAFTAR TABEL Halaman Tabel 2.1 Contoh Pemotongan N-Gram Berbasis Karakter Tabel 2.2 Contoh Pemotongan N-Gram Berbasis Kata Tabel 2.3 Kombinasi Prefix Dan Sufiks Yang Tidak Diperbolehkan Tabel 2.4 Aturan Peluruhan Kata Dasar Tabel 2.5 Aturan Peluruhan Kata Dasar Tabel 3.1 Contoh Sebagian Daftar Tabel Keyword Tabel 3.2 Hasil Proses Text Preprocessing Yang Dijadikan Input Tabel 3.3 Kumpulan Stopword Tabel 3.4 Hasil Proses Filtering Tabel 3.5 Tabel Data Training (Dokumen Tweet) Tabel 3.6 Tabel Term (Pecah Perkata) Tabel 3.7 Structure Tabel Realtime Tabel 3.8 Structure Tabel Stopword Tabel 3.9 Structure Tabel Kata Dasar Tabel 3.10 Structure Tabel Keyword Tabel 3.11 Structure Tabel Status Tabel 3.12 Structure Tabel Term Tabel 3.11 Structure Tabel Training Tabel 4.1 Pengujian Akurasi Tabel 4.2 Confusion Matrix Tabel 4.3 Blackbox Testing xv

13 DAFTAR PUSTAKA [1] Kaskus.co.id. Diakses pada tanggal 21 Februari [2] Farber, Dan Twitter hits 400 million tweets per day, mostly mobile. Diakses tanggal 27 November [3] Liu, Bing Sentiment Analysis And Opinion Mining. Chicago: Morgan & Claypool Publisher. [4] Pak, A. & Paroubek, P Twitter as a Corpus for Sentiment Analysis and Opinion Mining. [4] Pang, B., Lee, L., & Vithyanathan, S. (2008). Sentiment Classification Using Machine Learning Techniques. [6] Feldman, R & Sanger, J The Text Mining Handbook: Advanced Approaches in Analyzing Unstructured Data. Cambridge University Press: New York. [7] Xhemali, D., Hinde, C.J. & Stone, R.G Naive Bayes vs. Decision Trees vs. Neural Networks in the Classification of Training Web Pages. [8] Wang, A. H Don't Follow Me: Twitter Spam Detection. Proceedings of 5th International Conference on Security and Cryptography (SECRYPT) Athens [9] Dehaff, M Sentiment Analysis, Hard But Worth It!. Tersedia di: it (diunduh 25 februari 2015). [10] Saraswati, N.W.S., 2011, Text Mining dengan Metode Naive Bayes Classifier dan Support Vector Machines Sentiment Analysis. [5] Barber, I Bayesian Opinion Mining. (diunduh 25 februari 2015). [6] Berry, M.W. & Kogan, J Text Mining Aplication and theory. [7] Han, J & Kamber, M Data Mining: Concepts and Techniques Second Edition.

14 [8] Weiss, S.M., Indurkhya, N., Zhang, T., Damerau, F.J Text Mining : Predictive Methods fo Analyzing Unstructered Information. [9] Dragut, E., Fang, F., Sistla, P., Yu, S. & Meng, W Stop Word and Related Problems in Web Interface Integration. [10] Tala, Fadillah Z A Study of Stemming Efects on Information Retrieval in Bahasa Indonesia. [11] Agusta, L Perbandingan Algoritma Stemming Porter dengan algoritma Nazief & Adriani untuk Stemming Dokumen Teks Bahasa Indonesia. [13] Asian, J, Williams, H.E, Tahaghoghi, S.M.M Stemming Indonesia. Proceedings of the Twenty-eighth Australasian conference on Computer Science. [14] Adriani, M., Asian, J., Nazief, B. Tahaghoghi, S.M.M., Williams, H.E Stemming Indonesian: A Confix-Stripping Approach. Transaction on Asian Langeage Information Processing. [15] Zaman B. dan E. Winarko Analisis Fitur Kalimat untuk Peringkas Teks Otomatis pada Bahasa Indonesia. [16] Kridalaksana, H Pembentukkan Kata dalam Bahasa Indonesia. Gramedia Pustaka Utama : Jakarta. [17] Muslich, Masnur Tata Bentuk Bahasa Indonesia: Kajian Ke Arah Tata Bahasa Deskriptif. [18] Alwi, H., Dardjowidjojo, S., Lapoliwa, A.M., Tata Bahasa Baku Bahasa Indonesia: Edisi Ketiga. Pusat Bahasa Departemen Pendidikan Nasional. Balai Pustaka : Jakarta. [19] Cavnar, William B., Trenkle, M. N-gram based text categorization. Proceedings of the third Annual Symposium on Document Analysis and Information Retrieval.