JITTER- Jurnal Ilmiah Teknologi dan Komputer Vol. 3, No. 2 Agustus 2022

Pengaruh Kombinasi dan Urutan Pre-Processing pada Tweets Bahasa Indonesia

Sheila Sheviraa1, I Made Agus Dwi Suarjayaa2, Putu Wira Buana b3

Abstrak

Twitter merupakan jaringan microblog online yang dijadikan gaya hidup baru di kalangan masyarakat sebagai wadah pengganti untuk mencari dan menyebarkan informasi, sebagai tempat mencurahkan perasaan, ataupun menjalankan bisnis, dengan cara menuliskan tweet. Permasalahannya adalah tweet yang dituliskan mayoritas oleh remaja berumur 18-24 tahun, sehingga kata-kata yang dituliskan masih banyak mengandung karakter pengganggu, ejaan, kata gaul, atau kata yang bersifat non-baku. Data yang tidak bersih dan akurat akan berdampak buruk bagi hasil analisis. Pre-processing data dalam hal ini berperan penting untuk memperbaiki data agar menjadi lebih bersih dan akurat sebelum diproses. Penelitian ini fokus membahas mengenai beberapa skenario kombinasi pre-processing, serta dengan mengubah urutan proses cleaning, normalisasi, stemming, dan stop-word, untuk mendapatkan akurasi paling baik dan meningkatkan performa dalam klasifikasi. Hasil testing pada tweet menunjukkan akurasi tertinggi ada pada data yang melewati tahapan penuh pre-processing data dengan urutan kombinasi pre-processing adalah menaruh proses normalisasi sebelum melakukan proses stemming, yaitu sebesar 89.2%.

Kata kunci: Normalisasi, Pre-Processing Data, Stemming, Stop-word, Twitter

Abstract

Twitter is an online microblog network that is used as a new lifestyle among the community as a substitute for finding and sharing information, as a place to express feelings, or doing a business, by writing tweets. The problem is that the majority of tweets are written by teenagers aged 18-24 years, so the words written still contain a lot of distracting characters, spelling, slang, or non-standard words. Data that is not clean and accurate will have a bad impact on the results of the analysis. Pre-processing data in this case plays an important role in improving the data to be cleaner and more accurate before being analyzed. This study focuses on discussing several scenarios of pre-processing combinations, and changing the order of the cleaning, normalizing, stemming, and stop-word processes, to get the best accuracy and improve performance in classification. The results of testing on tweets show that the highest accuracy is in data that has passed the full stages of pre-processing data with the preprocessing combination order placing the normalization process before carrying out the stemming process, which is 89.2%.

Keywords: Normalization, Pre-Processing Data, Stemming, Stop-word, Twitter

  • 1.    Pendahuluan

Twitter merupakan jaringan microblog online yang sering dimanfaatkan masyarakat untuk menuliskan segala sesuatu yang berkaitan dengan pemikiran, suasana hati, aktivitas, komunikasi, kehidupan sosial, ataupun berbagi informasi berita, karena penggunanya dapat menuliskan pesan secara singkat, padat, dan jelas dibawah 280 karakter [1]. Banyak masyarakat saat ini menuliskan tweet di Twitter untuk menunjukkan perasaannya secara realtime, baik berupa tweet yang bersifat positif maupun negatif. Tweet yang tersebar di internet ini dapat digunakan sebagai data dalam melakukan analisis terhadap berbagai hal.

Data merupakan aspek penting bagi setiap individu, organisasi, maupun perusahaan, karena berperan dalam banyak hal, seperti pengambilan keputusan, sebagai dasar

perencanaan, ataupun sebagai bahan evaluasi [2]. Kualitas data dalam data mining berpengaruh signifikan pada tingginya kinerja model dan juga hasil analisis. Kualitas data yang buruk dapat berdampak negatif bagi produktivitas individu/organisasi/perusahaan sehingga capaian hasil yang diinginkan menjadi tidak maksimal.

Tweet yang dituliskan setiap orang pada media sosial Twitter, dapat dikatakan sebagai salah satu data yang bersifat kurang baik, karena mayoritas pengguna Twitter adalah di kalangan masyarakat remaja, yakni berumur 18-24 tahun [3]. Hal ini membuat tweet yang tersebar di dunia maya lebih banyak menggunakan kata yang memiliki ejaan/singkatan ataupun kata-kata gaul. Tahap pre-processing dalam hal ini penting dilakukan untuk membersihkan dan memperbaiki struktur pada tweet agar data menjadi lebih seragam dan akurat ketika dianalisis.

Pre-processing adalah tahap untuk melakukan transformasi data agar sesuai dengan format seharusnya dan dapat diproses. Tahapan pre-processing ada beragam tergantung pada kebutuhan, namun secara umum diantaranya, yaitu cleaning tweet, lowering case, normalisasi, stop-word, stemming, dan tokenizing. Cleaning tweet dilakukan agar karakter yang bersifat noise dapat dihilangkan [4]. Lowering case merupakan proses untuk mengubah bentuk data menjadi huruf kecil seluruhnya [5]. Normalisasi tweet merupakan proses untuk mengubah tweet yang mengandung ejaan dan kata slang untuk mempermudah proses analisis [6]. Kata slang yang dimaksudkan adalah kata yang sulit dimengerti, kata yang memiliki makna beda dari makna aslinya, kata yang bersifat non-baku, ataupun kata gaul yang digunakan remaja modern [7]. Proses normalisasi bertujuan agar pembaca dapat memahami arti kata yang dimaksudkan secara jelas, begitu juga dengan sistem ketika melakukan analisis klasifikasi. Stemming merupakan proses dalam mentransformasi kata menjadi kata dasar dengan menghilangkan imbuhannya, sehingga bisa meminimalkan dimensi kata yang berbeda bentuk namun dengan makna yang sama [8]. Stop-word dilakukan untuk meminimalkan jumlah kata dengan nilai informasi rendah sehingga proses klasifikasi lebih cepat dan akurat [9]. Tokenizing adalah proses memecah kalimat per-kata/token [10].

Penelitian terdahulu yang sejenis oleh Danny Sebastian dan Kristian Adi Nugraha tahun 2019 adalah melakukan pengembangan dataset kata-kata singkatan bahasa Indonesia, yang kemudian dapat digunakan untuk menormalkan kata-kata menggunakan Crowdsourcing. Akurasi yang didapatkan dari penelitian ini sekitar 90,85%.[11]

Dwi Wahyudi, dkk melakukan penelitian di tahun 2017 untuk membandingkan 2 algoritma stemming pada task bahasa Indonesia. Fokus penelitian yaitu ada pada proses stemming yang membandingkan algoritma Nazief & Adriani dengan algoritma Porter untuk menentukan algoritma yang lebih akurat. Hasil menunjukkan bahwa algoritma Nazief & Adriani lebih unggul daripada algoritma Porter, yaitu dengan akurasi 95,26% dan 79,13%. [12]

Penelitian terkait pre-processing telah dilakukan oleh Siti Khomsah & Agus Sasmito Aribowo tahun 2020. Berbagai macam model pre-processing dilakukan pada data komentar YouTube, lalu dibandingkan untuk mendapatkan akurasi terbaiknya. Hasil menunjukkan bahwa pre-processing dengan melakukan cleaning data, stop-words, dan konversi kata gaul berdasarkan kamus bahasa Indonesia menaikkan akurasi sebanayk 3,5% pada kata unigram [13].

Penelitian lain telah dilakukan juga oleh Riri Riyaddulloh dan Ade Romadhony tahun 2021. Penelitian ini melakukan normalisasi pada tweet yang dituliskan akun resmi beberapa merk gadget menggunakan model word2vec. Hasil pengujian yang didapatkan, yaitu adanya peningkatan akurasi untuk tweet yang mengalami normalisasi dibandingkan dengan tweet yang tidak mengalami normalisasi, yaitu 91% berbanding 88%. [7]

Penelitian kali ini memfokuskan pada pre-processing data dengan mencoba beberapa skenario urutan pre-processing pada proses normalisasi, stop-word, dan stemming. Dilakukannya penelitian ini bertujuan agar dapat melihat pengaruh yang dihasilkan dari urutan pre-processing data dan juga kombinasi proses di dalamnya sebelum diekstraksi fitur dan melakukan analisis.

  • 2.    Metode Penelitian

Analisis pengaruh kombinasi dan urutan tahap pre-processing pada tweet bahasa Indonesia memiliki metode penelitian yang dipaparkan ke dalam alur sebagai berikut.

Gambar 1. Alur penelitian

Alur yang digunakan dari penelitian ini terbagi dalam beberapa tahapan. Pengumpulan data dilakukan pada Twitter menggunakan Twitter API, dan diberi label secara manual. Tahap pre-processing data dilakukan beberapa kali, yaitu dengan kombinasi dan urutan proses cleaning, normalisasi, stop-word, dan stemming yang berbeda-beda. Dataset yang sudah dicleansing diekstrak dengan menggunakan TF-IDF untuk mentransformasikan tulisan ke bentuk angka, sebelum diuji performa modelnya menggunakan Naïve Bayes, sehingga didapatkan hasil akurasi terbaik.

  • 3.    Kajian Pustaka

Penelitian ini dilakukan berdasarkan beberapa teori penunjang yang dijabarkan dalam kajian pustaka sebagai berikut.

  • 3.1.    Twitter dan Twitter API

Twitter adalah jaringan microblog online yang mengizinkan penggunanya untuk menulis cuitan atau pesan singkat di bawah 280 karakter [1]. Manfaat Twitter sangat beragam mulai dari bertukar indormasi, melatih kreativitas menulis, hingga menjalankan bisnis [14]. Twitter memiliki API tersendiri yang dibangun untuk mempermudah developer dalam mengambil data untuk diolah, dengan cara login melalui akun developer hingga mendapatkan akses API berupa api_key, api_secret_key, access_token, dan access_token_secret.

  • 3.2.    Python

Python merupakan bahasa pemrograman yang memiliki banyak library dan digunakan oleh data scientists dan machine learning engineers untuk mengembangkan model serta aplikasi yang berhubungan dengan data science. Library Python yang digunakan dijabarkan sebagai berikut.

  • a.    Snscrape, untuk mengumpulkan data Twitter dengan Twitter API

  • b.    Regex, untuk proses cleaning, dan normalisasi.

  • c.    NLTK, untuk proses stop-word.

  • d.    Sastrawi, untuk membantu proses stemming

  • e.    Sklearn, untuk klasifikasi

  • 3.3.    Text Pre-Processing

Text pre-processing terdiri dari beberapa proses di dalamnya yang terbagi sebagai berikut.

  • a.    Cleaning Text, untuk membersihkan tweet dari simbol, angka, URL, hashtag. Contohnya menghilangkan tanda koma (,) pada kalimat “Pengen menyerah, capek dgn smuanya” sehingga menjadi “Pengen menyerah capek dgn smuanya”.

  • b.    Lowering Case, untuk menyeragamkan ke dalam huruf kecil. Contohnya kata “Pengen” menjadi “pengen”.

  • c.    Normalisasi, untuk mengubah kata non-baku menjadi baku. Contohnya kata “pengen” menjadi “ingin”, kata “dgn” menjadi “dengan”, kata “smuanya” menjadi “semuanya”.

  • d.    Stop-word removal, untuk menghilangkan kata yang nilai informasinya rendah. Contohnya kata “ada”, “di”, “dan”, “dengan”.

  • e.    Stemming, untuk mengubah kata menjadi bentuk dasarnya. Contohnya kata “semuanya” menjadi “semua”, kata “perasaan” menjadi “rasa”.

  • f.    Tokenization, untuk memecah kalimat per-token atau kata.

Penelitian ini menggunakan 20 skenario kombinasi dan urutan pre-processing, yaitu: melakukan cleaning text saja, normalisasi saja, stopword saja, stemming saja, cleaning text dan normalisasi, cleaning text dan stopword, cleaning text dan stemming, normalisasi dan stopword,

normalisasi dan stemming, stopword dan stemming, cleaning text-normalisasi-stopword,

cleaning text-normalisasi-stemming, normalisasi-stopword-stemming, full pre-processing 1

dengan urutan (cleaning text-lowercase-normalisasi-stopword-stemming-tokenizing), full processing 2 (cleaning text-lowercase-normalisasi-stemming-stopword-tokenizing), full processing 3 (cleaning text-lowercase-stopword-stemming-normalisasi-tokenizing), full processing 4 (cleaning text-lowercase-stopword-normalisasi-stemming-tokenizing), full processing 5 (cleaning text-lowercase-stemming-normalisasi-stopword-tokenizing), full processing 6 (cleaning text-lowercase-stemming-stopword-normalisasi-tokenizing).

pre-pre-pre-pre-pre-


  • 3.4.    TF-IDF

Dataset yang masih berbentuk tulisan, sebelum melewati pemrosesan harus diekstrak terlebih dahulu dengan TF-IDF. TF-IDF digunakan sebagai salah satu bagian information retrieval system dalam mengubah data non-terstruktur menjadi bentuk yang dapat memenuhi kebutuhan informasi. Tujuannya agar tulisan dapat direpresentasikan ke dalam bentuk angka sebelum diolah dengan Naïve Bayes. Ekstraksi tulisan dapat dikalkulasikan menggunakan rumus berikut.

w1√ = tfij X log (P∕dfj}


(1)


Menentukan bobot setiap kata (w) dilakukan dengan mengalikan banyaknya kata i dalam suatu dokumen j (tf) dan idf, yang mana (idf) didapat dari logaritma pembagian jumlah seluruh dokumen (D) dengan banyaknya dokumen yang mengandung kata j (df).

  • 3.5.    Evaluasi Performa

Pengukuran performance kinerja dari beberapa kombinasi dan urutan pre-processing dilakukan dengan menghitung keakuratan dengan rumus berikut.

Total Benar

(2)


Akurasi =---—-----;---;--x 100%

Jumlah Keseluruhan

  • 4.    Hasil dan Pembahasan

Hasil yang didapat dari penelitian ini akan dibahas dengan pemaparan berdasarkan gambaran umum sistem yang ada.

  • 4.1.    Dataset

Dataset didapat dengan mengumpulkan data Twitter menggunakan library Snscrape dan disimpan ke Mongo database. Keyword yang digunakan berkaitan dengan kata-kata yang mengindikasikan gangguan mental, yaitu "capek", "stres", "depresi", "mau mati", dan "tidak ada

yang peduli". Data tweet yang sudah dikumpulkan selanjutnya diberi label secara manual sesuai kebutuhan penelitian. Beberapa tweet yang diambil dari Twitter ada pada Tabel 1.

Tabel 1. Dataset Twitter

Full Tweet

Label

Maaf mngecewakan km, udh cape bgt..

0

@dyonisuss2_ Yallah capek ketawa

1

Rasanya mau mati

0

hadiah paling susah menurutku itu doa yg tulus jadi bersyukur sekali bisa dapat teman2 yang tidak ada hentinya doakan yg baik2. terima kasih jg untuk mama papa yg ajar caca untuk peduli sekitar dengan hal paling simple : selalu doakan sesama manusia sebaik mungkin.

1

@bertanyarl Jujur aku kalau lagi capek emang kepikiran itu cuma kalau entar aku udah mati gimana perasaan orang tua aku? :) Mereka pasti kecewa banget, anak yang mereka besarkan sepenuh hati bukannya berjuang untuk hidup malah lebih milih nyerah. Kena dosa juga karena belum waktunya dipanggil

0

Cinta sejati akan dibawa sampai mati.

1

SUMPAH GUE SENENG BANGET GILA HAHAHAA

1

Ini hari paling buruk bikin hilang minat dan lelah nangis :)))

0

gue jadi manusia bodoh bgt ! jadi paling bego.tolol.banget. gue mending gak lahir kykny

1

Guee bersyukur bgt ada Bangtan yang jadi sumber kebahagiaan, penerang, dan semangat untuk gue...

0

Ini jg ngikut jd cowok mamba,     gila ga kuat gua knp ganteng

banget sih

1

Data tweet yang dikumpulkan berjumlah 2.400 data dan dilabelkan secara manual. Dataset sebanyak 2.400 terbagi atas 1.151 (48%) diberi label “0” untuk merepresentasikan tweet negatif dan 1.249 (52%) diberi label “1” untuk merepresentasian tweet positif.

  • 4.2.    Pre-Processing Data

Tahap ini dilakukan untuk membersihkan data tweet sebelum dilakukan analisis agar data menjadi lebih akurat. Berikut pada Tabel 2. adalah contoh hasil tahap pre-processing data.

Tabel 2. Hasil pre-processing data

Proses

Tweet Sebelum Proses

Tweet Setelah Proses

Cleaning Text

Maaf mngecewakan km, udh cape bgt..

Maaf mngecewakan km udh cape bgt

Lowering Case

Maaf mngecewakan km udh cape bgt

maaf mngecewakan km udh cape bgt

Normalisasi

maaf mngecewakan km udh cape bgt

maaf    mengecewakan

kamu sudah capek banget

Stopword Removal

maaf mengecewakan kamu sudah capek banget

maaf    mengecewakan

capek banget

Stemming

maaf mengecewakan capek banget

maaf kecewa capek banget

Tokenizing

maaf kecewa capek banget

“maaf”, “kecewa”, “capek”, “banget”

Data tweet melewati tahap cleaning text untuk menghilangkan karakter noise dengan menghapus angka, simbol, URL, hashtag, lalu diseragamkan seluruhnya ke dalam huruf kecil pada tahap lowering case. Tweet yang sudah bersih melewati tahap normalisasi dengan mengubah kata gaul, ejaan, ataupun kata non-baku menjadi bentuk sebenarnya. Tahap normalisasi dilakukan berdasarkan kamus slang yang dibuat manual yang terdiri dari 250 kata. Berdasarkan Tabel 2. dapat diketahui bahwa normalisasi dilakukan pada pada “mngecewakan”

menjadi “mengecewakan”, “km” menjadi “kamu”, “udh” menjadi “sudah”, “cape” menjadi “capek”, dan “bgt” menjadi “banget”. Tweet yang sudah melewati tahap normalisasi, selanjutnya dipilih kata-kata yang memiliki nilai informasi rendah untuk dihilangkan. Tahap stop-word removal dilakukan berdasarkan kamus stop-word yang didapat dari jurnal Fadillah Z Tala, yang terdiri dari 750 kata [15]. Contohnya, yaitu menghapuskan kata ganti orang “kamu”, dan kata hubung “sudah”. Data tweet yang sudah disaring kemudian melewati tahap stemming untuk mengubah kata demi kata menjadi ke bentuk dasar, yaitu kata “mengecewakan” yang dihilangkan prefix, infix, serta suffix-nya sehingga menjadi “kecewa”. Terakhir yaitu memecah kalimat menjadi token pada tahap tokenizing.

  • 4.3.    Pembobotan TF-IDF

Dataset hasil cleansing didapatkan berupa atribut tulisan, sehingga perlu dilakukan pembobotan agar dataset dapat diproses dengan algoritma Naïve Bayes. Hasil pembobotan adalah berupa matriks numerik. Contoh kalkulasi TF-IDF pada 3 buah dokumen (D) sebagai berikut.

Tweet Clean:

maaf kecewa capek banget (negatif)

yallah capek ketawa (positif)

rasa mau mati (negatif)

Tabel 3. Matriks Kalkulasi TF-IDF

Kata

tf

df

D/df

IDF (log D/df)

W (TF-IDF)

D1

D2

D3

D1

D2

D3

maaf

1

0

0

1

3

0,477121

0,477121

0

0

kecewa

1

0

0

1

3

0,477121

0,477121

0

0

capek

1

1

0

2

1,5

0,176091

0,176091

0,176091

0

banget

1

0

0

1

3

0,477121

0,477121

0

0

yallah

0

1

0

1

3

0,477121

0

0,477121

0

ketawa

0

1

0

1

3

0,477121

0

0,477121

0

rasa

0

0

1

1

3

0,477121

0

0

0,477121

mau

0

0

1

1

3

0,477121

0

0

0,477121

mati

0

0

1

1

3

0,477121

0

0

0,477121

  • 4.4.    Evaluasi

Evaluasi performa dari kombinasi dan urutan pre-processing dilakukan dengan algoritma Naïve Bayes. Pembagian dataset pada data hasil klasifikasi diakukan dengan menggunakan perbandingan persentase data uji berbanding data latih, yaitu 90:10.

Tabel 4. Evaluasi performa pre-processing data

Skn

Urutan

Akurasi

1

Cleaning text saja

77.1%

2

Normalisasi saja

79.6%

3

Stop-word removal saja

78.3%

4

Stemming saja

78.7%

5

Cleaning text dan Normalisasi

80.7%

6

Cleaning text dan Stop-word removal

79.6%

7

Cleaning text dan Stemming

79.6%

8

Normalisasi dan Stop-word removal

84.1%

9

Normalisasi dan Stemming

85.7%

10

Stop-word removal dan Stemming

82.6%

11

Cleaning text, Normalisasi, dan Stop-word removal

85.5%

12

Cleaning text, Normalisasi, dan Stemming

85.7%

13

Cleaning text, Stop-word removal, dan Stemming

79.7%

14

Normalisasi, Stop-word removal, dan Stemming

85.7%

Skn

Urutan

Akurasi

15

Full 1(Cleaning-Lowercase-Normalisasi-Stopword-Stemming-Tokenizing)

89.2%

16

Full 2(Cleaning-Lowercase-Normalisasi-Stemming-Stopword-Tokenizing)

89.2%

17

Full 3(Cleaning-Lowercase-Stopword-Stemming-Normalisasi-Tokenizing)

86.8%

18

Full 4(Cleaning-Lowercase-Stopword-Normalisasi-Stemming-Tokenizing)

88.5%

19

Full 5(Cleaning-Lowercase-Stemming-Normalisasi-Stopword-Tokenizing)

87.1%

20

Full 6(Cleaning-Lowercase-Stemming-Stopword-Normalisasi-Tokenizing)

87.3%

Hasil akurasi dengan kinerja sistem tertinggi diperoleh oleh skenarip 15, dan 16 yang melakukan pre-processing secara keseluruhan, yaitu sebesar 89,2%. Urutan tertinggi dalam tahap full pre-processing ini didapatkan oleh urutan yang melakukan proses normalisasi lebih dulu sebelum melakukan stemming, sedangkan akurasi tertinggi pada tahap full pre-processing dengan urutan normalisasi setelah stemming adalah 87,3%. Hal ini dikarenakan ketika proses normalisasi dilakukan sebelum stemming, maka kata non-baku sudah menjadi baku sebelum diubah ke bentuk dasar, namun apabila normalisasi dilakukan setelah stemming, maka akan ada beberapa kata yang tidak terdeteksi di proses stemming karena belum menjadi ke bentuk sebenarnya dalam kamus bahasa Indonesia, sehingga imbuhan tidak dapat dihilangkan, dan data yang dihasilkan menjadi kurang akurat serta tidak dapat dianalisis secara maksimal dalam tahap processing. Hasil ini juga menunjukkan bahwa urutan proses pada tahap pre-processing data berpengaruh pada akurasi dan kinerja model dalam analisis klasifikasi, terutama dalam mengatur tata letak dilakukannya proses normalisasi dan stemming.

Lima (5) urutan tertinggi berikutnya untuk tahapan pre-processing secara tidak lengkap, secara berurutan dijuarai oleh: skenario 9 (akurasi sebesar 85,7%) dengan kombinasi hanya melakukan normalisasi dan stemming; skenario 12 (akurasi sebesar 85,7%) dengan kombinasi cleaning text, normalisasi, dan stemming; skenario 14 (akurasi sebesar 85,7%) dengan kombinasi normalisasi, stop-word removal, dan stemming; skenario 11 (akurasi sebesar 85,5%) dengan kombinasi cleaning text, normalisasi, dan stop-word removal; skenario 8 (akurasi sebesar 84,1%) dengan kominasi hanya melakukan normalisasi dan stop-word removal. Urutan kombinasi pre-processing dengan akurasi terendah ada pada proses yang melakukan cleaning text saja, yaitu sebesar 77,1%. Berdasarkan hasil ini, kelima kombinasi pre-processing dengan urutan teratas diantaranya adalah sama-sama melakukan proses normalisasi, sedangkan untuk urutan dengan akurasi terendah tidak melakukan proses normalisasi. Melihat dari percobaan pada skenario 2 dengan hanya melakukan normalisasi saja, akurasi yang didapat juga sudah cukup tinggi dibandingkan dengan tanpa melakukan normalisasi, yaitu sebesar 79,6%. Berdasarkan hasil ini juga, hal terbesar yang mungkin menyebabkan tinggi dan rendahnya akurasi adalah karena adanya pengaruh dari proses normalisasi. Dalam proses normalisasi, kata-kata yang disingkat pada data, ejaan, bahasa gaul, atau kata apapun yang berbentuk nonbaku, seperti kata “km”, “udah”, “utk”, “onlen”, “cpt”, “smg”, dan lain sebagainya, akan diubah menjadi bentuk yang asli yang memiliki makna sama. Hasil normalisasi akan berdampak pada data tweet yang menjadi mudah dipahami dan dapat diklasifikasikan dengan sesuai oleh sistem. Lain halnya dengan data yang tidak mengalami proses normalisasi, maka sistem akan kebingungan dalam mengecek kata demi kata sehingga hasil klasifikasi menyatakan false.

  • 5.    Kesimpulan

Kesimpulan yang bisa diperoleh dari analisa tahap pre-processing pada tweet bahasa Indonesia adalah kombinasi dan urutan proses pada tahap pre-processing, dalam hal ini mempengaruhi akurasi dan kinerja model yang digunakan dalam analisis klasifikasi. Berdasarkan 20 skenario pre-processing data dengan mengubah kombinasi dan urutan proses cleaning text, normalisasi, stemming, dan stop-word, didapat akurasi lebih tinggi pada preprocessing yang dilakukan secara keseluruhan (full pre-processing) dengan urutan melakukan normalisasi terlebih dahulu sebelum melakukan stemming, yaitu sebesar 89,2%. Pengaruh terbesar dari tingginya akurasi yang didapat, ada pada proses normalisasi sebagai kunci utamanya, karena apabila kata tidak dinormalisasikan terlebih dahulu, maka sistem akan sulit mendeteksi kata dan mengakibatkan adanya klasifikasi yang salah. Namun, hal ini tidak berarti bahwa proses cleaning, stemming, dan stop-word tidak berpengaruh pada kinerja analisis, meskipun akurasi yang didapat dari kombinasi tersebut lebih rendah. Ketiga proses tersebut cukup untuk menaikkan beberapa persen akurasi dari kinerja sistem. Hal ini dibuktikan dengan hasil akurasi tertinggi ada pada tahap pre-processing yang dilakukan dengan menggunakan

seluruh proses didalamnya, meskipun harus dengan urutan dimana normalisasi dilakukan lebih dulu daripada stemming.

Referensi

  • [1]    S. Bhatt, “Apa itu Twitter?,” 2022. https://www.experthoot.com/id/cara-dm-di-twitter/.

  • [2]    L. N. Azizah, “Pengertian Data: Fungsi, Manfaat, Jenis, dan Contohnya,” Gramedia Blog, 2022. https://www.gramedia.com/literasi/pengertian-data/#:~:text=a.,-Sebagai Suatu Acuan&text=Manfaat dan juga fungsi data,kegiatan tertentu yang kita inginkan.

  • [3]    Adam, “Demografi Pengguna Twitter di Indonesia Paling Banyak Pria daripada Perempuan,” itworks.id, 2019. https://www.itworks.id/19408/demografi-pengguna-twitter-di-indonesia-paling-banyak-pria-daripada-perempuan.html.

  • [4]    D. Sebastian, “Implementasi Algoritma K-Nearest Neighbor untuk Melakukan Klasifikasi Produk dari beberapa E-marketplace,” J. Tek. Inform. dan Sist. Inf., vol. 5, no. 1, pp. 51– 61, 2019, doi: 10.28932/jutisi.v5i1.1581.

  • [5]    P. A. Sumitro, Rasiban, D. I. Mulyana, and W. Saputro, “Analisis Sentimen Terhadap Vaksin Covid-19 di Indonesia pada Twitter Menggunakan Metode Lexicon Based,” J-ICOM - J. Inform. dan Teknol. Komput., vol. 2, no. 2, pp. 50–56, 2021, doi: 10.33059/j-icom.v2i2.4009.

  • [6]    D. Darwis, E. S. Pratiwi, and A. F. O. Pasaribu, “Penerapan Algoritma Svm Untuk Analisis Sentimen Pada Data Twitter Komisi Pemberantasan Korupsi Republik Indonesia,” Edutic - Sci. J. Informatics Educ., vol. 7, no. 1, pp. 1–11, 2020, doi: 10.21107/edutic.v7i1.8779.

  • [7]    R. Riyaddulloh and A. Romadhony, “Normalisasi Teks Bahasa Indonesia Berbasis Kamus Slang Studi Kasus: Tweet Produk Gadget Pada Twitter,” eProceedings Eng., vol. 8, no. 4, pp. 4216–4228,      2021, [Online]. Available:

https://openlibrarypublications.telkomuniversity.ac.id/index.php/engineering/article/view/ 15246/14969.

  • [8]    Arifin Kurniawan, Indriati Indriati, and Sigit Adinugroho, “Analisis Sentimen Opini Film Menggunakan Metode Naïve Bayes dan Lexicon Based Features,” J. Pengemb. Teknol. Inf. dan Ilmu Komput., vol. 3, no. 9, pp. 8335–8342, 2019.

  • [9]    S. Almouzini, M. Khemakhem, and A. Alageel, “Detecting Arabic Depressed Users from Twitter Data,” Procedia Comput. Sci., vol. 163, pp. 257–265, 2019, doi: 10.1016/j.procs.2019.12.107.

  • [10]    B. Nurfadhila, “Analisis Sentimen Untuk Mengukur Tingkat Indikasi Depresi Pada Twitter Menggunakan Text Mining,” no. 1, 2018.

  • [11]    D. Sebastian and K. A. Nugraha, “Text normalization for Indonesian abbreviated word using crowdsourcing method,” 2019 Int. Conf. Inf. Commun. Technol. ICOIACT 2019, pp. 529–532, 2019, doi: 10.1109/ICOIACT46704.2019.8938463.

  • [12]    D. Wahyudi, T. Susyanto, and D. Nugroho, “Implementasi Dan Analisis Algoritma Stemming Nazief & Adriani Dan Porter Pada Dokumen Berbahasa Indonesia,” J. Ilm. SINUS, vol. 15, no. 2, pp. 49–56, 2017, doi: 10.30646/sinus.v15i2.305.

  • [13]    S. Khomsah and Agus Sasmito Aribowo, “Model Text-Preprocessing Komentar Youtube Dalam Bahasa Indonesia,” J. RESTI (Rekayasa Sist. dan Teknol. Informasi), vol. 4, no. 4, pp. 648–654, 2020, doi: 10.13140/RG.2.2.32319.74403.

  • [14]    R. D. Arifin, “Pengertian Twitter | Sejarah, Fitur, Manfaat,” dianisa.com, 2020. https://dianisa.com/pengertian-twitter/ (accessed Nov. 23, 2021).

  • [15]    F. Z. Tala, “A Study of Stemming Effects on Information Retrieval in Bahasa Indonesia,” M.Sc. Thesis, Append. D, vol. pp, pp. 39–46, 2003.