Conference PaperPDF Available

PREDIKSI PROFESI BERDASARKAN MODEL BAHASA PADA TWEETS

Authors:

Abstract

With the advance of social media, people tends to be very reactive on issues which are happening around the globe. Everybody can show their opinions freely, and sometimes uncontrollable, no matters what their job is. This research investigates the tendency of words choice in someone’s job based on the style of language he/she used in his/her twitter account. It is assume that most of the people in a specific job has the same language used on social media. The analyses of the study is performed by using Naïve Bayes classifiers for around 30,000 tweets. The text processing are divided into three main parts, i.e.: retrieval and grouping of the data, data processing, and evaluation. The type of jobs which are analyzed, consists of: politicians, actresses/actors, musicians, and students, through their official twitter accounts. The experimental results show that multinomial Bayes classifiers are more reliable than the binomial classifiers. Further investigation shows that the best accuracy is achieved by the unigram model, which has a mean of 0.73±0.127 in a 5 cross validation setting. This fact reveals that there is no direct relatioship between someone’s word choice and his/her profession.
Seminar Nasional Teknologi Informasi dan Multimedia 2016
STMIK AMIKOM Yogyakarta, 6-7 Februari 2016
ISSN : 2302-3805
1
PREDIKSI PROFESI BERDASARKAN MODEL BAHASA PADA TWEETS
Hapnes Toba1), William Stefanus2)
1), 2) Jurusan Teknik Informatika, Fakultas Teknologi Informasi, UK. Maranatha Bandung
Jl Suria Sumantri Bandung, 40173
Email : hapnestoba@it.maranatha.edu1), william.khiwil@gmail.com2)
Abstract
With the advance of social media, people tends to be
very reactive on issues which are happening around the
globe. Everybody can show their opinions freely, and
sometimes uncontrollable, no matters what their job is.
This research investigates the tendency of words choice
in someone’s job based on the style of language he/she
used in his/her twitter account. It is assume that most of
the people in a specific job has the same language used
on social media. The analyses of the study is performed
by using Naïve Bayes classifiers for around 30,000
tweets. The text processing are divided into three main
parts, i.e.: retrieval and grouping of the data, data
processing, and evaluation. The type of jobs which are
analyzed, consists of: politicians, actresses/actors,
musicians, and students, through their official twitter
accounts. The experimental results show that
multinomial Bayes classifiers are more reliable than the
binomial classifiers. Further investigation shows that the
best accuracy is achieved by the unigram model, which
has a mean of 0.73±0.127 in a 5 cross validation setting.
This fact reveals that there is no direct relatioship
between someone’s word choice and his/her profession.
Keywords: text analysis, language (n-grams) models,
job prediction, Naïve Nayes classification, social media
content analysis.
1. Pendahuluan
Seiring dengan berkembangnya penggunaan Internet,
semakin banyak pula jejaring sosial yang dapat
digunakan untuk saling berkomunikasi, seperti
Facebook, Twitter, Ask.fm, Path, dan lain-lain. Dengan
munculnya banyak media sosial tersebut, semakin
banyak pula orang-orang yang menuliskan opini atau
pendapat mereka terhadap suatu masalah yang sedang
terjadi di dunia nyata pada media sosial yang ada.
Menarik untuk diteliti bagaimana keterkaitan antara
pemilihan kata, berupa model bahasa (n-grams) yang
digunakan dalam penyampaian opini tersebut dengan
jenis pekerjaan seseorang. Dengan menganalisis
kemunculan kata pada sebuah jenis pekerjaan, mungkin
saja dapat diketahui bagaimana interaksi yang muncul
antara orang-orang di dalam pekerjaan tersebut ataupun
dengan jejaring di sekitarnya. Pada akhirnya, dapat
dibentuk pula semacam model pemilihan kata dalam
profesi tertentu.
Di dalam penelitian ini diasumsikan bahwa orang-orang
yang terdapat pada suatu golongan pekerjaan yang sama,
akan menulis pendapat yang hampir sama terkait dengan
suatu masalah yang sedang muncul, dan setiap golongan
pekerjaan memiliki kata-kata khusus yang acap kali
muncul. Tujuan khusus dari penelitian ini untuk
membuat model klasifikasi yang dapat mendeteksi
pekerjaan seseorang melalui urutan kata dalam tweets
yang ditulisnya. Adapun rumusan permasalahan yang
secara khusus akan dijadikan sebagai pertanyaan riset
adalah: bagaimana membuat model yang dapat
mendeteksi pekerjaan seseorang lewat tweets yang
ditulis dengan dasar hipotesis bahwa dengan kemunculan
kata tertentu secara n-gram dapat menentukan jenis
pekerjaan seseorang
Berdasarkan uraian latar belakang di atas, adapun
kebaharuan yang diusulkan melalui penelitian ini adalah:
1. Analisis kemunculan kata-kata yang mendominasi
pekerjaan-pekerjaan yang dijadikan obyek
penelitian, yaitu yang dianggap seringkali membuat
trending topics dalam media sosial Twitter. Dalam
konteks penelitian ini dipilihlah profesi sebagai
berikut: politikus, aktor dan aktris, musisi dan
pelajar.
2. Pembentukan dan evaluasi model pemilihan kata
untuk pekerjaan-pekerjaan pada nomor satu di atas.
Makalah ini meliputi pembahasan-pembahasan sebagai
berikut: kajian literatur terkait analisis tekstual dan
model Naïve Bayes, ekstraksi data pada media sosial
Twitter, rancangan eksperimen dan evaluasi
pembentukan model, serta diakhiri dengan kesimpulan
dan usulan riset lebih lanjut.
2. Kajian Literatur
Dalam bagian ini diberikan kajian singkat mengenai
model Naïve Bayes dan bagaimana kehadiran kata-kata
dalam sebuah tweets dapat digunakan untuk
menganalisis kelas pekerjaan tertentu.
A. Naïve Bayes
Sebuah model klasifikasi Naïve Bayes terdiri dari satu
buah simpul induk, disertai dengan banyak simpul anak
sebagai atribut. Model Naïve Bayes didasarkan pada
asumsi yang kuat mengenai ketidak-ketergantungan
antar atribut [1]. Model Naïve Bayes banyak digunakan
dalam pemrosesan citra medis, klasifikasi teks, dan
diagnosis kueri. Keunggulan utama dari model
klasifikasi Naïve Bayes adalah kemudahan
Seminar Nasional Teknologi Informasi dan Multimedia 2016
STMIK AMIKOM Yogyakarta, 6-7 Februari 2016
ISSN : 2302-3805
2
implementasinya, disertai dengan tingkat keakuratan
yang cukup tinggi dalam banyak kasus, bahkan dapat
melampaui model regresi logistik yang sering digunakan
sebagai suatu standar dalam pembelajaran mesin [2].
Rumus dasar dari model Naïve Bayes dapat dilihat pada
Formula (1).
… (1)
Dengan:
P(h) = probabilitas suatu kejadian h
P(D) = probabilitas suatu kejadian D
P(h/D) = probabilitas terjadinya h dengan diberikan
kondisi D
P(D/h) = probabilitas terjadinya D dengan diberikan
kondisi h
Algoritma Naïve Bayes sering digunakan oleh banyak
orang untuk melakukan penelitian yang menyinggung
bidang kajian machine learning (pembelajaran mesin),
seperti data mining, dan text mining [4].
B. Ekstraksi Fitur Binomial dan Multinomial
Naïve Bayes Binomial Classifier merupakan salah satu
cara pengklasifikasian menggunakan algoritma Naïve
Bayes dengan cara memasukkan nilai pada variabel
himpunan pelatihan hanya dengan angka satu atau nol
(binary). Angka satu menunjukkan jika sebuah instans
memiliki variabel yang ada pada training dataset dan
angka nol menunjukkan jika sebuah instans tidak
memiliki variabel yang ada pada training dataset. Hal ini
dicontohkan pada Tabel 1.
Tabel 1 Contoh trainingset Naïve Bayes Binomial
doc_id
di
mau
saya
ada
jam
1
1
1
1
1
1
2
1
1
1
1
1
3
0
0
0
1
1
Naïve Bayes Multinomial Classifier merupakan salah
satu cara pengklasifikasian dari algoritma Naïve Bayes
dengan cara memperhitungkan jumlah frekuensi
kemunculan variabel dalam sebuah instans. Tabel 2
menunjukkan contoh frekuensi kemunculan dari nilai
binomial pada Tabel 1.
Tabel 2 Contoh trainingset Naïve Bayes Binomial
doc_id
di
mau
saya
ada
jam
1
5
1
2
3
2
2
6
2
3
2
4
3
0
0
0
1
5
C. Riset Seputar Media Sosial Twitter
Twitter adalah sebuah layanan pengiriman pesan yang
membagikan banyak karakter menggunakan alat-alat
komunikasi yang sudah ada [4]. Twitter memiliki
beberapa kesamaan dengan e-mail, IM (Instant
Message), SMS (Short Message Service), dan
semacamnya. Adapun hal-hal yang membuat Twitter
unik, adalah sebagai berikut:
1. Pesan yang dikirim atau diterima pada Twitter tidak
melebihi dari 140 karakter.
2. Pesan pada Twitter dapat dilihat oleh semua orang,
tidak perlu izin dari sang penulis.
3. Pesan dapat diterima atau dikirim dengan banyak
mekanisme, seperti lewat mobile phone, komputer,
situs jaringan, dan lain-lain.
Sejak munculnya media sosial Twitter dan bertambah
banyaknya pengguna Internet, banyak penelitian yang
dilakukan seputar Twitter. Salah topik penelitian yang
sering disinggung adalah Twitter Sentiment Analysis.
Umumnya, penelitian dengan topik ini bertujuan untuk
menentukan apakah tweets menunjukkan sesuatu yang
positif, negatif atau netral [5, 6].
Selain itu, sering pula Twitter digunakan untuk
melakukan profiling [7]. Informasi tentang seseorang
seperti nama, umur, lokasi, dan biodata singkat biasanya
sudah tersimpan hampir di setiap media sosial. Akan
tetapi, masih banyak juga informasi yang tidak
tercantum, seperti kebiasaan sehari-hari, ketertarikan
pada politik, dan lain-lain. Penelitian [7] tersebut,
melakukan uji coba untuk mendapatkan informasi
seseorang secara otomatis dengan cara mengamati
bagaimana perilaku user melalui interaksinya dengan
user lain, dan bukan pada gaya bahasa user sebagaimana
yang diusulkan melalui makalah ini.
Ciri khas lain dari makalah ini, dibandingkan dengan
penelitian Twitter lainnnya adalah pengambilan sumber
datanya yang berasal dari penduduk di Indonesia yang
berarti acuan utamanya adalah bahasa Indonesia,
memeriksa kaitan antara profil pengguna (seperti
pemeriksaan antara follower, dalam satu kategori yang
sama), memeriksa trending topic yang sedang dibahas
pada media sosial Twitter.
3. Rancangan Eksperimen
Proses yang dilakukan dalam penelitian ini dibagi
menjadi 3 bagian utama, yaitu:
1. Pengambilan data dan pengelompokan data
2. Pengolahan data
3. Pengujian dan evaluasi
A. Pengambilan dan Pengelompokan Data
Sumber data yang digunakan dalam penelitian ini
diambil seluruhnya dari media sosial Twitter. Jumlah
kelompok yang ditentukan dalam penelitian ini ada
empat kelompok, yakni politikus/politisi, artis/aktor,
musisi, dan pelajar.
Empat kelompok ini diambil dikarenakan, jika ada suatu
topik atau masalah muncul, keempat bidang profesi ini,
teramati sebagai kelompok yang paling sering
memberikan pendapat mereka. Topik atau masalah yang
munculpun seringkali bersangkutan dengan bidang
pekerjaan yang dilakukannya. Hal tersebut misalnya
terlihat dari kemunculan trending topic yang ada pada
Seminar Nasional Teknologi Informasi dan Multimedia 2016
STMIK AMIKOM Yogyakarta, 6-7 Februari 2016
ISSN : 2302-3805
3
media sosial Twitter pada Gambar 1. Setelah ditelusuri
dalam profil pengguna Twitter, maka yang paling
banyak menulis tweets dengan trending topic pada
Gambar 1 adalah kelompok politisi, musisi, pelajar, dan
artis.
Gambar 1 Trending Topic pada Media Sosial Twitter
Dalam proses penentuan pengguna dari setiap kelompok,
terdapat beberapa kriteria yang harus dipenuhi, yaitu:
1. Pengguna merupakan pengguna yang aktif menulis
tweets dengan minimal tweets sebanyak 200 dalam
empat bulan terakhir (Agustus-Desember 2014).
2. Pengguna berwarga negara Indonesia.
Jumlah pengguna yang berhasil terjaring adalah 39
orang, dengan rincian: kelompok politisi sebanyak 7
pengguna, kelompok artis atau aktor sebanyak 10
pengguna, kelompok musisi sebanyak 11 pengguna, dan
kelompok pelajar sebanyak 11 pengguna. Data untuk
kelompok politisi, artis dan musisi, adalah nama-nama
yang merupakan public figure. Khusus untuk kelompok
pelajar, data diambil Twitter mahasiswa semester akhir
Fakultas Teknologi Informasi Universitas XXX Kota
Bandung. Jumlah data yang diambil dari setiap pengguna
adalah 200-300 tweets. Jumlah data yang terkumpul
sekitar 6.800-10.000 tweets per pengguna, dengan
jumlah total 32.752.
B. Pengolahan Data
Dari proses pengambilan dan pengelompokan data, tahap
selanjutnya adalah pengolahan data. Proses yang
dilakukan pada saat pengolahan data dalam penelitian ini
adalah:
1. Pembersihan isi tweets yang diambil pada saat
proses pengambilan data agar setiap tweets tidak
memiliki link, hashtag, dan emoticon.
2. Pembuatan training set yang akan digunakan
dalam proses klasifikasi pada aplikasi.
1) Pembersihan Isi Tweet
Setiap data yang diambil pada saat proses pengambilan
data belum tentu murni hanya berisi teks saja. Satu
tweets dapat terdiri atas teks, link, hashtag, dan
emoticon. Tweet atau data yang dibutuhkan dalam
penelitian ini harus murni berisi teks saja. Maka dari itu,
setiap tweets yang diambil harus dibersihkan terlebih
dahulu.
Gambar 2 Contoh Tweets yang Tidak Bersih
Gambar 3 merupakan salah satu contoh tweets yang
tidak bersih. Tweet ini harus dibersihkan agar murni
berisi teks saja. Setelah melakukan pembersihan, maka
isi tweets akan menjadi: “Girls day out!”.
2) Pembuatan Training Set
Setelah membersihkan semua tweets yang diambil, maka
tahapan selanjutnya adalah pembuatan training set yang
akan digunakan untuk menjalankan fungsi klasifikasi.
Pembentukan training set dan proses klasifikasi
menggunakan pendekatan binomial dan multinomial
sebagaimana disampaikan dalam bagian kajian literatur.
Alasan utama dari penggunaan algoritma Naïve Bayes
adalah digunakannya data-data statistik sebagai bahan
acuan, dan konsep Naïve Bayes sudah dikenal tingkat
keakuratannya yang tinggi dalam hal menganalisis
perhitungan-perhitungan statistik.
C. Pengujian dan Evaluasi
Evaluasi dilakukan dengan memasukkan sebuah tweets
yang ingin diuji, lalu melakukan klasifikasi berdasarkan
model profesi yang sudah dibuat. Hasil dari pengujian
ini diharapkan sesuai dengan informasi kebenaran yang
didapat pada dunia nyata dan memiliki tingkat
keakuratan yang dapat dipercaya.
Setiap model pekerjaan yang dibentuk oleh aplikasi diuji
pula melalui cross-validation (pengujian silang) dan
validasi kesalahan dengan data pengujian baru, yaitu dari
tweets bulan Januari 2015. Adapun yang hendak diuji
dengan data baru ini adalah kecenderungan munculnya
kesalahan tipe satu, yaitu kondisi dimana sebuah instans
atau pernyataan bernilai benar tetapi hasil dari pengujian
yang dilakukan terhadap pernyataan atau instans tersebut
bernilai salah.
Kombinasi dari eksperimen yang dilakukan dibagi
menjadi empat skenario besar, yaitu:
1. Penggunaan Naïve Bayes Binomial dan Multinomial;
2. Penggunaan word stopping
1
;
3. Penggunaan jumlah kata yang dipakai dalam
pembentukan model; dan
4. Penggunaan proses pemecahan kata secara n-gram
(uni-, bi-, dan trigram), yaitu: satu kata tunggal, dua
dan tiga kata secara berurutan.
1
http://lucene.apache.org/core/4_6_0/analyzers-
common/org/apache/lucene/analysis/id/IndonesianAnaly
zer.html
Seminar Nasional Teknologi Informasi dan Multimedia 2016
STMIK AMIKOM Yogyakarta, 6-7 Februari 2016
ISSN : 2302-3805
4
Untuk mempermudah jalannya skenario evaluasi di atas,
maka dibuatlah tampilan antarmuka sehingga nilai
parameter pengujian di atas dapat dengan fleksibel
dilakukan. Gambar 3 merupakan implementasi
antarmuka untuk form Pengambilan Data. Form ini
berfungsi untuk mengambil data (tweets) yang paling
baru dari daftar pengguna yang ada pada text area.
Gambar 3 Desain Antarmuka Pengambilan Data
Gambar 4 Desain Antarmuka Pengujian Unigram
Gambar 4 merupakan implementasi antarmuka untuk
form Testing Unigram. Pengguna memasukkan tweets
yang hendak diuji, maka nilai untuk masing-masing
pekerjaan kemudian ditampilkan pada textbox yang telah
disediakan.
4. Hasil Penelitian dan Evaluasi
A. Evaluasi Hasil Pengujian Silang
Pengujian ini bertujuan untuk menguji tingkat kestabilan
model yang dibuat berdasarkan kombinasi-kombinasi
dari rencana pengujian untuk keempat bidang profesi
yang diujikan. Hasil pengujian silang yang dilakukan
dengan metode Naïve Bayes Binomial dan Multinomial
dapat dilihat pada Tabel 3 dan 4. Dari hasil-hasil
tersebut, maka didapatkan beberapa hasil rata-rata
berdasarkan kombinasi-kombinasi yang dilakukan:
1. Rata-rata hasil pengujian dengan metode Naïve
Bayes Binomial: 0.51.
2. Rata-rata hasil pengujian dengan metode Naïve
Bayes Multinomial: 0.65.
3. Rata-rata hasil pengujian dengan fitur stopping: 0.58.
4. Rata-rata hasil pengujian tanpa fitur stopping: 0.57.
5. Rata-rata hasil pengujian dengan pemecahan kata
secara unigram: 0.73.
6. Rata-rata hasil pengujian dengan pemecahan kata
secara bigram: 0.51.
7. Rata-rata hasil pengujian dengan pemecahan kata
secara trigram: 0.50.
Tabel 3 Akurasi Hasil 5-Pengujian Silang dengan
Metode Naïve Bayes Binomial
Binomial
Stopwords
Nonstopwords
1
gram
2
gram
3
gram
1
gram
2
gram
3
gram
100
kata
0.63
0.51
0.51
0.62
0.51
0.51
500
kata
0.51
0.51
0.51
0.51
0.51
0.51
10%
kata
0.51
0.51
0.49
0.49
0.49
0.49
50%
kata
0.51
0.51
0.49
0.49
0.51
0.49
Berdasarkan hasil uji validasi silang pada Tabel 3 dan 4,
serta perhitungan nilai rata-ratanya, beberapa analisis
dapat dilakukan sebagai berikut:
Performa akurasi model multinomial lebih tinggi jika
dibandingkan model binomial secara signifikan
dengan nilai p=0.05. Hal ini menunjukkan bahwa
frekuensi kemunculan kata dalam sebuah model
profesi sangat menentukan hasil prediksi.
Tabel 4 Akurasi Hasil 5-Pengujian Silang dengan
Metode Naïve Bayes Multinomial
Multinomial
Stopwords
Nonstopwords
1
gram
2
gram
3
gram
1
gram
2
gram
3
gram
100
kata
0.86
0.52
0.49
0.82
0.49
0.49
500
kata
0.94
0.49
0.53
0.94
0.49
0.49
10%
kata
0.96
0.55
0.53
0.96
0.52
0.49
50%
kata
0.94
0.55
0.49
0.96
0.52
0.48
Penghilangan stopwords tidak mempengaruhi rata-rata
akurasi dalam setiap model profesi. Hal ini
menunjukkan bahwa ada kecenderungan bahwa setiap
profesi memiliki kata-kata khas yang muncul secara
dominan, namun belum tentu hal tersebut
menunjukkan gaya bahasa (urutan kata) yang dominan
dalam sebuah model profesi.
Pengujian dengan variasi jumlah kata pada saat
pembentukan model, menunjukkan bahwa penggunaan
10% dari keseluruhan kata yang muncul dalam
koleksi, telah cukup untuk menghasilkan stabilitas
performa.
Seminar Nasional Teknologi Informasi dan Multimedia 2016
STMIK AMIKOM Yogyakarta, 6-7 Februari 2016
ISSN : 2302-3805
5
Hasil pengujian menunjukkan bahwa tweets yang
muncul dalam setiap model profesi tidak menunjukkan
adanya gaya bahasa yang dominan. Hal tersebut
ditunjukkan melalui nilai rata-rata akurasi yang selalu
lebih tinggi pada pengujian unigram, yaitu pada data-
data pengujian yang hanya menggunakan kata tunggal.
B. Evaluasi Hasil Pengujian dengan Data baru
Untuk mengujicoba model profesi pada himpunan data
yang lebih luas, maka semua data tweets pada hasil
evaluasi bagian A di atas digunakan sebagai model.
Himpunan data tweets dari setiap obyek penelitian pada
bulan Januari 2015 dijadikan sebagai data pengujian.
Tabel 5 Hasil Pengujian Himpunan Data baru
Unigram
0.4982
Bigram
0.4969
Trigram
0.4981
Kombinasi eksperimen yang digunakan mengikuti hasil
pada bagian A, yaitu: dengan model multinomial, tanpa
menggunakan stopwords, menggunakan hanya 10% dari
kata dalam koleksi, dan kemunculan unigram. Hasil
akurasi dari eksperimen ini dapat dilihat pada Tabel 5.
Hal menarik yang dapat dianalisis dari hasil pada Tabel
5 adalah performa akurasi menurun secara signifikan
dibandingkan dengan hasil validasi silang. Dari
pengamatan yang dilakukan lebih jauh, terungkap bahwa
model yang dibentuk dengan kata-kata melalui tweets
bulan Agustus Desember 2014, ternyata memiliki
nuansa yang sangat jauh berbeda. Mayoritas kata-kata
pada model pelatihan cenderung mengarah pada
peristiwa besar di Indonesia saat itu, yaitu masa
pemilihan Presiden, sedangkan mayoritas kata-kata pada
tweets pengujian di bulan Januari 2015, berisi mayoritas
ucapan tahun baru, dan bencana alam yang terjadi di
penghujung dan awal tahun 2015. Hal ini berlaku untuk
semua profesi yang dijadikan sebagai obyek penelitian.
Hasil ini hendak menunjukkan bahwa Twitter sebagai
salah satu media sosial yang paling cepat berevolusi
secara konten. Fenomena-fenomena yang terjadi di
berbagai pelosok daerah dan dunia dapat menjadi
pemicu konten kicauan yang dimasukkan oleh para
pengguna Twitter.
C. Evaluasi DaftarKata per Model Profesi
Dalam bagian ini disampaikan kata-kata dominan
disertasi pembobotannya untuk setiap model profesi.
Evaluasi ini hendak menunjukkan kemunculan dominasi
kata-kata dalam setiap bidang profesi. Daftar kata-kata
yang dimunculkan dalam evaluasi ini adalah 10 besar
kata (uni-, bi-, dan trigram) yang muncul dalam setiap
model profesi, tanpa memperhitungkan dampak jumlah
stopwords, dengan menggunakan nilai pembobotan TF-
IDF. Gambar 5-8 memberikan daftar kata-kata tersebut
beserta pembobotannya untuk setiap profesi yang
diamati.
Secara garis besar, daftar kata-kata dari bidang-bidang
profesi tersebut memiliki variasi yang sangat besar.
Setiap jenis profesi memiliki kecenderungan kata-kata
yang berpengaruh, misalnya: kata ‘partai’ dalam kelas
politisi atau ‘tiket’ dalam kelas musisi. Salah satu hal
yang cukup mencolok dari hasil ekstraksi kata-kata ini
adalah banyaknya penggunaan kata-kata asing (terutama
bahasa Inggris), juga munculnya dan kata-kata yang
tidak baku dan tidak konsisten (singkatan, akronim, dll)
dalam setiap model profesi. Misalnya kata ‘yang’
disingkat menjadi ‘yg’. Atau kata ‘tidak’, dituliskan
sebagai ‘gak’. Berdasarkan observasi, hal-hal ini sangat
mempengaruhi performa hasil pengujian.
Gambar 5 Daftar Kata (uni-, bi-, dan trigram) Politisi
Dalam model profesi politisi (Gambar 5), kata-kata yang
seringkali muncul terkait dengan partai politik,
kebangsaan dan tokoh-tokoh berpengaruh dalam bidang
politik. Dalam model artis (Gambar 6), kata-kata
dominan banyak dipengaruhi oleh penyelenggaraan
event-event, seperti: konser atau fashion show. Di
samping itu muncul juga gaya-gaya bahasa ‘keartisan’,
yang seringkali didominasi oleh campuran antara bahasa
Inggris dan Indonesia, seperti misalnya urutan trigram:
double date sama’. Hal yang mirip juga terjadi dalam
model musisi pada Gambar 7.
Dalam model pelajar (Gambar 8), kemunculan kata-kata
banyak dipengaruhi oleh pengerjaan tugas yang sedang
dilakukan dalam kurun waktu selama pengambilan data.
Misalnya, kemunculan banyaknya kata-kata berbahasa
Inggris terjadi karena pada saat pengambilan data dari
Twitter, sedang dilangsungkan tutorial penulisan
makalah berbahasa Inggris bagi mahasiswa tingkat akhir.
Muncul pula frasa ‘Pemimpin yg baik’, hal ini didukung
oleh kenyataan pada saat pengambilan data sedang
dilangsungkan sesi perkuliahan kepemimpinan.
5. Kesimpulan dan Saran
Mengacu pada hasil-hasil dan observasi terhadap kata-
kata yang berpengaruh dalam setiap model, dapat ditarik
kesimpulan sebagai berikut:
Seminar Nasional Teknologi Informasi dan Multimedia 2016
STMIK AMIKOM Yogyakarta, 6-7 Februari 2016
ISSN : 2302-3805
6
1. Performa model multinomial lebih akurat
dibandingkan dengan model binomial untuk
melakukan prediksi profesi berdasarkan kemunculan
kata-kata.
2. Model prediksi profesi dengan menggunakan kata-
kata dari tweets memiliki performa yang baik saat
validasi silang, namun menurun drastis dengan data
baru yang berbeda periode pengambilan. Hal
tersebut menunjukkan perlunya pembentukan model
secara berkesinambungan (incremental) dalam
periode-periode waktu yang relatif singkat.
Gambar 6 Daftar Kata (uni-, bi-, dan trigram) Artis
Gambar 7 Daftar Kata (uni-, bi-, dan trigram) Musisi
3. Kata-kata berpengaruh dalam setiap model profesi
tidak menunjukkan gaya bahasa (keterurutan kata-
kata) tertentu. Dengan demikian, tantangannya
sangat besar untuk dapat menghasilkan model yang
akurat untuk prediksi profesi. Kumpulan kata-kata
dalam tweets cenderung lebih mengarah pada
fenomena-fenomena yang terjadi dalam kurun
waktu tertentu.
Gambar 8 Daftar Kata (uni-, bi-, dan trigram) Pelajar
Mengacu pada keterbatasan model profesi yang telah
dibentuk ini, maka disarankan hal-hal sebagai berikut:
1. Pemanfaatan heuristik atau model untuk
memformalisasi penggunaan singkatan dan
penulisan kata-kata yang terkadang tidak konsisten
pada media sosial Twitter.
2. Mendeteksi perbedaan kata bahasa asing dan bahasa
Indonesia, sehingga dapat fokus pada kata-kata yang
berpengaruh dalam bahasa Indonesia saja.
Daftar Pustaka
[1] Bui, A. A., & Taira, R. K. (2010). Medical Imaging Informatics.
London: Springer Science-Business Media, LLC.
[2] Mitchell, T. (2015). Generative and Discrimintative Classifiers:
Naïve Bayes and Logistic Regression. Available online:
https://www.cs.cmu.edu/~tom/mlbook/Nbayes LogReg.pdf.
Access: November 2015.
[3] Dai, W., Xue, G. R., Yang, Q., & Yu, Y. (2007, July).
Transferring naive bayes classifiers for text classification. In
Proceedings of the National Conference on Artificial
Intelligence (Vol. 22, No. 1, p. 540). Menlo Park, CA;
Cambridge, MA; London; AAAI Press; MIT Press.
[4] Reilly, T. O., & Milstein, S. (2011). The Twitter Book.
Sebastopol: O'Reilly Media, Inc.
[5] Pak, A., & Paroubek, P. (2010, May). Twitter as a Corpus for
Sentiment Analysis and Opinion Mining. In LREC (Vol. 10, pp.
1320-1326).
[6] Go, A., Huang, L., & Bhayani, R. (2009). Twitter sentiment
analysis. Entropy, 17.
[7] Pennacchiotti, M., & Popescu, A. M. (2011). A Machine
Learning Approach to Twitter User Classification. ICWSM, 11,
281-288.
Biodata Penulis
Hapnes Toba, memperoleh gelar S2 teknik informatika
dari TU Delft (2002), dan S3 ilmu komputer dari
Universitas Indonesia (2015). Saat ini menjadi tenaga
pengajar di Universitas Kristen Maranatha Bandung.
William Stefanus, memperoleh gelar Sarjana Komputer
(S.Kom), Jurusan Teknik Informatika Universitas
Kristen Maranatha Bandung (2015). Saat ini bekerja
sebagai pengembang perangkat lunak di salah satu
perusahaan swasta nasional di Jakarta.
ResearchGate has not been able to resolve any citations for this publication.
Conference Paper
Full-text available
Microblogging today has become a very popular communication tool among Internet users. Millions of users share opinions on different aspects of life everyday. Therefore microblogging web-sites are rich sources of data for opinion mining and sentiment analysis. Because microblogging has appeared relatively recently, there are a few research works that were devoted to this topic. In our paper, we focus on using Twitter, the most popular microblogging platform, for the task of sentiment analysis. We show how to automatically collect a corpus for sentiment analysis and opinion mining purposes. We perform linguistic analysis of the collected corpus and explain discovered phenomena. Using the corpus, we build a sentiment classifier , that is able to determine positive, negative and neutral se ntiments for a document. Experimental evaluations show that our proposed techniques are efficient and performs better than previousl y proposed methods. In our research, we worked with English, however, the proposed technique can be used with any other language.
Medical Imaging Informatics Generative and Discrimintative Classifiers: Naïve Bayes and Logistic Regression Available online: https
  • A A Bui
  • R K Taira
  • Llc
  • T Mitchell
Bui, A. A., & Taira, R. K. (2010). Medical Imaging Informatics. London: Springer Science-Business Media, LLC. [2] Mitchell, T. (2015). Generative and Discrimintative Classifiers: Naïve Bayes and Logistic Regression. Available online: https://www.cs.cmu.edu/~tom/mlbook/Nbayes LogReg.pdf. Access: November 2015. [3]
Twitter sentiment analysis
  • A Go
  • L Huang
  • R Bhayani
Go, A., Huang, L., & Bhayani, R. (2009). Twitter sentiment analysis. Entropy, 17.
A Machine Learning Approach to Twitter User Classification
  • M Pennacchiotti
  • A M Popescu
Pennacchiotti, M., & Popescu, A. M. (2011). A Machine Learning Approach to Twitter User Classification. ICWSM, 11, 281-288.