Analisis Sentimen Menggunakan Orange

Pada @Indomaret & @alfamart

MB-40-08
Annisa Dinandya Shafira (1401161457)
Dinda Dewi Rachmayuliawanti (1401164416)
Ravalia Putri Adela (1401160547)
Silvia Anggraini (1401164293)
Yayang Ridha Nanda Suryo (1401164632)
 1. Tugas dikerjakan secara kelompok,
menggunakan kelompok praktikum
2. Pilih dua akun twitter bisnis yang saling
bersaing
3. Lakukan text mining akun twitter tersebut

SOAL? 4.
dengan orange
Analisis sentimen (emosi) tweet dari dua akun
tersebut
5. Buat Word Cloud (Word Frequency),
kemudian analisis
6. Buat Topik Clustering (Toping Tracking /
Modelling), kemudian analisis
7. Buat laporan hasil analisis dalam bentuk
power point
 Data API yang digunakan dalam analisis ini hanya API Key
dan Api Secret sedangkan Access Token & Access Token

API
https://developer.twitter.com/en/apps
Secret tidak dipergunakan

API KEY:
tPbQdSV281GWU8H3rSfCkVdG6

API SECRET:
hk4FbTWEtFbJaSf0Gy7MNq3eIedZAwF3rXglxXi28b5trOc35x
2 Twitter Bisnis yang Saling Bersaing:

@Indomaret @alfamart
TEXT MINING
Open orange -> Text mining

Agar dapat menganalisis,

langkah pertama yang harus
dilakukan dengan cara klik
Open dan pilih file Text
Mining-Twitter-Share,
kemudian klik Open.
Visualisasi open
Setelah
memasukkan File
Text Mining yang
tadi, maka akan
muncul tampilan
Orange-nya
seperti pada
gambar di
samping.
masuk api -> ok, + query, + max tweet -> search
Kemudian double click pada
bagian widget Twitter, maka akan
muncul kolomnya. Klik Twitter
API Key, maka muncul tampilan
Twitter API Credentials, lalu
masukkan kode Consumer Key
dan Secret, lalu klik OK. Pada
kolom Query Word List isi dengan
nama account Twitter yang ingin
dianalisis, misalnya kami memilih
@Indomaret dan @alfamart,
kemudian Max Tweets sebanyak
500. Jika sudah, klik Search agar
dapat memproses tweet yang
akan terambil sesuai dengan
akun Twitter yang telah dipilih.
Data Table Tweet

Setelah melakukan
search dengan query
yang di input maka
keluarlah hasil dalam
bentuk tabel seperti
gambar disamping
yang berisi data
mention atau retweet
sesuai keyword
CORPUS PREVIEW
Data / tweet yang diambil
dapat dilihat detailnya
melalui menu Corpus
Viewer. Menu tsb dapat
menampilkan info
mengenai author, konten/
isi tweet, tanggal tweet,
dsb seperti pada gambar
di samping.
 untuk melakukan preprocessing
Process Text dalam membuat data menjadi
lebih berkualitas sebelum diolah
menggunakan klasifikasi dengan
beberapa ketentuan
- Lower case bertujuan untuk
menyamaratakan huruf menjadi huruf kecil
sehingga tidak ada perbedaan misal antara
“Aku” dan “aku” dengan harapan
mendapatkan data yang lebih bersih dan
berkualitas.
- Remove Accents bertujuan untuk
menghapus aksen yang tertera di huruf.
- Remove Urls bertujuan untuk menghapus
link-link yang tersedia di twitter.
- Regexp bertujuan untuk menghapus tanda
baca sesuai yang diminta.
- Stopwords merupakan sebuah kamus
untuk menghilangkan kata dan
mendapatkan data yang berkualitas. Pada
tahap ini, stopwords bisa di download di
dropbox modul lab big data.
Masukkan data stopword untuk menghilangkan
data yang tidak perlu dan mendapatkan yang
berkualitas
Topic Modelling

Topic modeling merupakan

fitur untuk mengelompokan
data text berdasarkan suatu
topik tertentu. Pada
analisis ini, Topic Modelling
dibuat menjadi 10 kelompok
topik keyword yang
masing-masing memiliki
komponen kata yang
berbeda-beda.
Word Cloud

Word Cloud berfungsi untuk

mendeteksi kata-kata yang paling
banyak dibicarakan oleh pengguna
twitter mengenai keyword yang
dicari. Dapat diketahui terdapat
1953 kata yang terkumpul dari max
pencarian 500 tweets.
Sentiment
Analysis
Analisis Sentimen
memprediksi sentimen untuk
setiap dokumen dalam
korpus. Kemudian double
click pada widget Sentiment
Analysis, maka akan muncul
tampilannya, dengan memilih
Method “Vader” dan klik
Commit. Vader mengeluarkan
skor untuk setiap kategori
(positif, negatif, netral) dan
menambahkan skor sentimen
total yang disebut compound.
Tweet Profiler
Tweet Profiler dimaksudkan
untuk analisis sentimen
tweet dan dapat
menampilkan kelas,
probabilitas, dan
embeddings. Dengan cara
double click pada widget
Tweet Profiler, kemudian
dengan Attribute “Conte”
dan klik Commit.
Box Plot
Pada Box Plot,
kita dapat
mengetahui
perasaan
seseorang ketika
me-tweet suatu
tautan. Karena,
emosi seseorang
akan terlihat
melalui warna box
dan
masing-masing
warna tersebut
memiliki arti
emosi.
 Heat Map
Heat map adalah metode grafis
untuk memvisualisasikan nilai
atribut berdasarkan kelas dalam
matriks 2 arah.
Semakin tinggi nilai semakin
gelap warna yang dimiliki, dan
pada gambar disamping diketahui
bahwa data compound/gabungan
nilainya paling banyak dan paling
kanan bernilai 1.00 berwarna
kuning dan yang paling rendah
nilainya adalah paling kiri
sentimen positif bernilai negatif
berwarna semakin biru dan
ditengahi oleh sentimen negatif
serta netral.
Text Mining dengan Langsung Menambahkan
File Data yang sudah dimiliki Sebelumnya
Perbedaan bentuk decision tree untuk cara langsung memasukkan
data tanpa crawling API Twitter terlebih dahulu.
 FILE
Pilih dan masukkan
data tab Dt dan HC.tab
yang didapatkan dari
hasil kegiatan
menge-save data pada
kegiatan crawling data
sebelumnya.
Jika muncul pesan error seperti gambar di atas,
abaikan saja dan klik “ignore”.
 Remove Corpus untuk
menghindari adanya bugs
didalamnya dan buat
kembali corpus yang baru.
 Pasangkan
kembali corpus
yang baru
dengan Data
Table, Corpus
Viewer dan
Preprocess Text
 Selanjutnya, proses dan hasil analisis akan serupa
dengan analisis sentimen menggunakan decision
tree yang diawali crawling data pada Twitter dengan
API terlebih dahulu.
ANALISIS SENTIMEN (EMOSI)
Sentiment analysis berfokus pada pengolahan opini yang mengandung
polaritas, yaitu sentimen positif maupun negatif.
 4 akun

Berikut merupakan tampilan Box Plot dengan subgroups Emotion untuk menganalisis bagaimana
sentimen seseorang ketika menulis sesuatu di twitter. Dapat dilihat bahwa tweet dibagi ke dalam 5
emotion yaitu Disgust, Fear, Joy, Sadness, dan Surprise. Diketahui bahwa tweet pada kedua akun
perusahaan memiliki sangat sedikit emosi disgust yaitu hanya dari 4 akun saja, diikuti kata-kata yang
menunjukkan emosi fear, lalu diikuti emosi kata-kata beremosi joy, lalu kata-kata beremosi sedih dan
kata-kata paling banyak pada tweet kedua akun ini menunjukkan emosi terkejut ditunjukkan dari
kerapatan bar garis yang tergambarkan pada insgiht diatas
 Berikut merupakan tampilan Word Cloud yang menampilkan identifikasi kata-kata yang banyak dibicarakan oleh pengguna Twitter
mengenai Alfamart dan Indomaret. Terdapat 1953 kata-kata yang terkumpul dari 500 tweets. Dari kata-kata tersebut, dapat diketahui
bahwa kata-kata yang paling banyak digunakan adalah Alfamart (365 kata) dan Indomaret (264 kata) disusul dengan kata-kata
lainnya. Pada cloud tergambarkan bahwa semakin banyak suatu kata digunakan pada tweet semakin besar ukuran fontnya dan
penempatannya pun akan semakin terpusat berada di tengah begitu pula dengan sebaliknya dengan kata kata pendamping yang
paling sering hingga sangat jarang sekali digunakan dalam memberikan tweet.
Topic Clustering/Modelling.
Data-data hasil crawling sebelumnya dikelompokkan menjadi 10 cluster dimana data pada tiap cluster
memiliki tingkat kemiripan karakteristik yang erat. Hal ini digunakan agar dapat mempermudah mesin dalam
melakukan analisa sentimen, seperti pada gambar diatas dengan memiliki topic modelling dengan latent
semantic indexing, kata-kata pada tiap kelompok memiliki dua warna yang berbeda yaitu orange dan hijau
yang menunjukkan keberadaan kata bersifat negatif atau positif pada tiap cluster.
T K .