Sentiment analysis
5 likes7,505 views
Dokumen ini membahas analisis sentimen di media sosial, khususnya Twitter, menggunakan teknik text mining dan machine learning. Fokus utamanya adalah memahami tujuan, kebutuhan, serta ruang lingkup analisis sentimen dalam konteks pengawasan opini publik. Selain itu, dibahas juga tentang algoritma machine learning dan implementasi R untuk analisis data dan visualisasi hasil.
Sentiment analysis
- 2. 1.Kebutuhan Sentiment Analysis 2.Text Mining untuk Sentiment Analysis 3.Pengolahan kata Text Mining menggunakan Machine Learning 4.Studi Kasus Sentiment Analysis Overview
- 3. Sentiment Analisis Goals: Audience memahami arti, kebutuhan, tujuan dan ruang lingkup dari Sentiment Analysis
- 4. Social Media Berbagi Informasi Opini Publik Peran Pengawasan • Meningkatnya penggunaan social media di masyarakat, berdampak pada bertambahnya peran berbagi infromasi di ruang public, yang selanjutnya menyebabkan berkembangnya opini publik. • Kemudian hal tersebut dimanfaatkan menggunakan metoda tertentu untuk tujuan pengawasan terhadap suatu objek. Kebutuhan Sentiment Analysis
- 5. SentimenAnalisis adalah jenis natural language yaitu pengolahan kata untuk melacak mood masyarakat tentang produk atau topik tertentu.Analisis sentimen, disebut opinion mining. Definisi Sentiment Analysis (G.Vinodhini, M.Chandrasekaran 2012)
- 6. Keyword Text Mining Visual Text sebagai Objek yang di proses menggunakan Metoda Text Mining dan hasilnya dalam representasi Visual. Ruang Lingkup
- 7. Menemukan Kata kunci10 Destinasi Wisata yang diprioritaskan oleh Kemenpar Pilkada DKI Jakarta Jadwal Ganjil Genap Pemilihan Key Word
- 8. Pemilihah Sumber data Untuk sentiment. Pemilihan harus berdasar pada kegunaan sosmed. •Ada fasilitas Repost yang memiliki istilah Reshared, jadi kita langsung bisa mengutip sebuah status dari teman yang ada pada circle kita. Ini mirip seperti Retweet di Twitter •-Atur status Status yang kita buat bisa diatur apakah itu tidak boleh dishare kembali atau tidak boleh dikomentari. G+ •media bisnis online melalui jaringan pertemanan yang telah dimiliki. •-Upload gambar mudah, dan bisa dibuat album foto. •-Terdapat aplikasi chat yang membuat pangguna yang sedang online bisa chat dengan temannya yang sedang online juga. •-Pengguna bisa membuat/bergabung dengan group kesukaan/hobi/bisnis/pertemanan yang memungkinkan pembagian informasi lebih spesifik, mudah, dan tepat sasaran. Facebook •Menjangkau tidak hanya antara teman, tetapi komunikasi antara artis dengan fans- nya juga menjadi lebih mudah. •-Komunikasi di twitter terjadi sangat cepat. Sering terjadi berita-berita terupdate, seperti terjadinya suatu bencana misalnya, lebih dahulu didapatkan infonya melalui twitter. •-Terdapat fitur trending topic yang memungkinkan kita untuk mengetahui apa saja yang sedang in atau happening dibicarakan oleh para pengguna twitter. •-Dapat memasarkan produk secara geratis. Twitter •Memperindah foto kita •bisa menshare video •memasarkan produk atau berjualan online Instagram •sharing apa saja yang kita mau, maupun itu lagu, curhatan, foto, tempat/lokasi kita berada. •Path bersifat privasi, tidak seperti facebook dan twitter •Path memiliki 8 Free Filter Lenses utk mempercantik foto/video Path http://suckrockers.blogspot.co.id/20 13/12/sosial-media-beserta- kelebihan-dan.html Pemilihan Sumber Data (Sosmed)
- 9. Text Mining untuk Sentiment Analysis Goals: Audience mengerti dan memahami apa yang dimassud dengan tText Mining
- 11. • Komputational • Visualisasi Statistika • Machine Learning Artificial Intelleigence • Asosiasi • Sekuensial Pattern Recognition • Basis Data Basis Data Definisi Text Mining Text mining mengacu pada pencarian informasi, pertambangan data, mesin- learning, statistik, dan komputasi linguistic terhadap informasi yang disimpan sebagai teks(Bridge, C 2011).
- 12. Proses Text Mining Data Teks Tokenisaisi Sentimen Positif Algoritma Machine Learning Sentimen Negatif End Input Proses Output Twitter data Autentifikasi berdasarkan Token akun Ekstrak berdasarkan filter Data Preparation Visualisasi sentimen analisisdalam Bentuk grafik
- 13. WEB Mining •mengekstraksi kata kunci yang terkandung pada dokumen web. Isi data web antara lain dapat berupa teks, citra, audio, video, metadata, dan hyperlink. Web Content Mining •struktur link dari hyperlink •Membangun rangkuman website dan halaman web. •Salah satu manfaatnya adlah untuk menentukan pagerank pada suatu halaman web Web Structure Mining •teknik untuk mengenali perilaku pelanggan dan struktur web melalui informasi yang diperoleh dari log, click stream, cookies, dan query Web Usage Mining
- 14. Pengolahan Text Mining menggunakan Machine-Learning Goals: Audience mengetahui konsep Machine –Learning, Tugas, Cara kerja dan Algoritma Machine Learning
- 15. Definisi “Machine Learning” Tom Mitchel, 1998 T: Task:Tugas; P:Performance:Nilai hasil kerja; E: Experience: Pengalaman komputer dikatakan melakukan learning apabila dalam mengerjakan tugas T, hasil kerjanya P semakin baik dengan bertambahnya pengalaman E
- 16. Tugas Sederhana Tugas rumit Capaian yang diinginkan Jelas Jelas Uraiancapaian Dapat dirinci Sulit dirinci Cara mencapai Prosedur rumus Memperkirakan Coba-coba Sifat capaian eksak Kira-kira Cara di komputer Pemrograman, algoritma konvensional Machine learning Tugas Sederhana & Tugas Rumit
- 17. Tugas Sederhana VS Tugas Rumit – Kelulusan Siswa – Profit/Lost – Suku Bunga Deposito – Menentukan kadar gula dalam darah – Prediksi harga saham – Menentukan kalimat positif dan negatif – Keindahan Gunung Bromo sangat mempesona – Penduduk disekitar taman nasional gunung bromo baik dan ramah – Fasilitas dibukit pananjakan kurang memadai – Gunung Bromo banjir pengunjung – Fasilitas di tempat itu tidak jelek – Keindahan bukit mandalika selama ini tidak banyak yang tau
- 18. – Regresi Input kontinyu/diskrit, output kontinyu, dengan target spesifik – Klasifikasi Input kontinyu/diskrit,outputdiskrit, dengan target spesifik – Clustering Input kontinyu/diskrit,outputdiskrit, dengan target terbuka Jenis Tugas Machine-Learning
- 19. – Supervised learning manusia memberi seperangkat contoh hasil yang benar, komputer menggunakan contoh tersebut untuk menemukan hasil bagi data masukan lain – Unsupervised learning manusia tidak campur tangan memberikan jawaban yang benar, komputer dibiarkan menemukan sendiri pola dalam data masukan – Reinforced learning Mesin mencoba langkah-langkah dan mendapat umpan balik positif atau negatif pada setiap langkah tersebut Jenis Cara Kerja Machine-Learning
- 20. – Naive Bayesian Metode sederhana untuk klasifikasi dengan jumlah data sedikit, bertumpu pada statistika probabilitas – SVM (Support vector machines) klasifikasi dengan data besar & kompleksitas tinggi, dengan banyak parameter masukan. Cara kerjanya persamaan jalur pemisah matematis antarkelompok data, dengan margin garis pemisah sebesar mungkin – Neural network Klasifikasi untuk hal yang rumit Algoritma Machine-Learning
- 21. R Package Sentiment Timothy Jurka
- 22. R- Package Sentiment (classify) R menyediakan library sentiment dalam R package yang di buat oleh Timothy Jurka. Dalam package sentiment ini berfungsi dua fungsi yaitu classify_emotion dan classify_polarity. • classify_emotion. Fungsi ini membantu mengklasifikasikan emotion kedalam beberapa klasifikasi yaitu: anger, fear, joy, sadness and supprise. • classify_polarity. Mengkasifikasikan kedalam respon positive, negative dan neutral.
- 23. teknik analisis sentimen dapat diklasifikasikan ke dalam dua kategori: • Lexicon based: Teknik ini bergantung pada kamus kata yang dijelaskan dengan orientasi, digambarkan sebagai polaritas positive, negative dan netral. Metode ini memberikan hasil presisi tinggi selama leksikon digunakan memiliki cakupan yang baik dari kata-kata yang dihadapi dalam teks yang dianalisis. • Learning Based: Teknik ini memerlukan pelatihan classifier dengan contoh polaritas dikenal disajikan sebagai teks diklasifikasikan ke dalam kelas yang positif, negatif dan netral. Teknik Analisis Sentiment
- 25. Sentimen Analisis Menggunakan Text Mining Social Media Twitter sebagai Controling Pasar Pariwisata Indonesia Goals: Audience turut berpartisipasi aktif dalam Studi Kasus
- 26. Identifikasi Masalah Menentukan Topik Pilihan Menentukan Keyords Menentukan Sumber data untuk sentimen
- 27. Twitter Naïve bayes Visualisasi Data social media twitter dengan filter 10 destinasi wisata yang akan diprioritaskan yaitu: 1. Danau Toba, 2. Tanjung Kelayang, 3. Kepulauan Seribu, 4. Tanjung Lesung, 5. Borobudur 6. Tamana Nasional Bromo-Tengger- Semeru, 7. Mandalika, 8. Wakataobi, 9. Labuan Bajo dan 10.Pulau Morotai. Ruang Lingkup Studi Kasus
- 28. 1. API 2. Autentification 3. Akuisisi Data 4. Sentiment Kebutuhan
- 29. Mengapa Digunakan R ?? – R adalah bahasa pemrograman dan perangkat lunak untuk analisis statistikadan grafik – Kode sumbernya tersedia secara bebas di bawah Lisensi Publik Umum GNU, dan versi biner prekompilasinya tersedia untuk berbagai sistem operasi – R menggunakan antarmuka baris perintah, – R menyediakan berbagai teknik statistika (permodelan linier dan nonlinier, uji statistik klasik, analisis deret waktu, klasifikasi, klasterisasi,dan sebagainya) Tool
- 31. SELESAI