KERJA PRAKTIK – KM184717

ANALISIS SENTIMEN TANGGAPAN PELANGGAN

OPERATOR TELEKOMUNIKASI DI TWITTER DENGAN
ALGORITMA SVM
(Studi Kasus : PT. XL Axiata. Tbk)

Periode : 2 Juli 2018 – 3 Agustus 2018.

Oleh :
Inayah Eka Firdausi
NRP. 06111540000018

Dosen Pembimbing :
Dr. Budi Setiyono, S.Si, MT

DEPARTEMEN MATEMATIKA
FAKULTAS MATEMATIKA, KOMPUTASI, DAN SAINS DATA
INSTITUT TEKNOLOGI SEPULUH NOPEMBER

SURABAYA
2019
 LAPORAN KERJA PRAKTIK
PT XL AXIATA TBK
JAKARTA

“Halaman ini sengaja dikosongkan”

ii
 LAPORAN KERJA PRAKTIK
PT XL AXIATA TBK
JAKARTA

LEMBAR PENGESAHAN
LAPORAN KERJA PRAKTIK

ANALISIS SENTIMEN TANGGAPAN PELANGGAN OPERATOR

TELEKOMUNIKASI DI TWITTER DENGAN ALGORITMA SVM
(Studi Kasus : PT. XL Axiata. Tbk)
Periode : 2 Juli – 3 Agustus 2018

Oleh:
Inayah Eka Firdausi
NRP. 06111540000018

Surabaya, . . .
Menyetujui,
Dosen Pembimbing

Dr. Budi Setiyono, S.Si, MT

NIP. 19720207 199702 1 001

Mengetahui,
Kepala Departemen Matematika
FMKSD ITS

Dr. Imam Mukhlash, S.Si, M.T.

NIP. 19700831 199403 1 003

iii
 LAPORAN KERJA PRAKTIK
PT XL AXIATA TBK
JAKARTA

LEMBAR PENGESAHAN
LAPORAN KERJA PRAKTIK

“Halaman ini sengaja dikosongkan”

iv
 LAPORAN KERJA PRAKTIK
PT XL AXIATA TBK
JAKARTA

LEMBAR PENGESAHAN INSTANSI

ANALISIS SENTIMEN TANGGAPAN PELANGGAN OPERATOR

TELEKOMUNIKASI DI TWITTER DENGAN ALGORITMA SVM

(Studi Kasus : PT. XL Axiata. Tbk)

Periode : 2 Juli – 3 Agustus 2018

Oleh:

INAYAH EKA FIRDAUSI

NRP. 06111540000018

Departemen Matematika

Fakultas Matematika Komputasi dan Sains Data

Institut Teknologi Sepuluh Nopember

Surabaya

Menyetujui,

Pembimbing Lapangan

Martina Widodo

v
 LAPORAN KERJA PRAKTIK
PT XL AXIATA TBK
JAKARTA

“Halaman ini sengaja dikosongkan”

vi
 LAPORAN KERJA PRAKTIK
PT XL AXIATA TBK
JAKARTA

KATA PENGANTAR

Puji syukur penulis ucapkan kehadirat Allah SWT atas rahmat dan
hidayah-Nya sehingga penulis dapat menyelesaikan Laporan Kerja Praktik
Yang Berjudul “Analisis Sentimen Tanggapan Pelanggan Operator
Telekomunikasi Di Twitter Dengan Algoritma SVM (Studi Kasus : PT. XL
Axiata. Tbk)” dengan tepat waktu.
Laporan Kerja Praktik ini disusun berdasarkan apa yang penulis
dapatkan selama melaksanakan Kerja Praktik di PT. XL Axiata. Tbk
sebagai syarat untuk memenuhi mata kuliah Kerja Praktik di Departemen
Matematika FMKSD ITS Surabaya.
Pelaksanaan Kerja Praktik ini tidak akan berjalan lancar tanpa
adanya bantuan dan dukungan dari berbagai pihak. Oleh karena itu tidak
lupa penulis mengucapkan terima kasih kepada:
1. Bapak Dr. Imam Mukhlas, S.Si, MT, selaku Kepala Departemen
Matematika ITS, atas kesempatan melaksanakan Kerja Praktik yang
telah diberikan kepada penulis,
2. Bapak Dr. Budi Setiyono, S.Si, MT. selaku Dosen Pembimbing di
Bidang Studi Ilmu Komputer Program Studi Sarjana Matematika
FMKSD ITS, yang telah membimbing serta memberi masukan kepada
penulis serta kawan – kawan dalam pelaksanaan Kerja Praktik dan
penyusunan laporan ini,
3. Bapak Iwan Syafrizal, selaku Human Resource Development (HRD)
PT. XL Axiata. Tbk yang telah memberikan kesempatan untuk
melaksanakan Kerja Praktik serta bimbingan dan bantuan kepada
penulis dan kawan – kawan selama pelaksanaan Kerja Praktik,
4. Ibu Martina Widodo selaku PIC dari BICC Data Engineer PT. XL
Axiata. Tbk sekaligus pembimbingan lapangan.
5. Nurtantio Quidar dan Ali Bin Salewangeng pembimbing Kerja Praktik
dari PT. XL Axiata. Tbk, yang telah dengan sabar membimbing dan
membantu penulis dan kawan – kawan selama pelaksanaan Kerja
Praktik,
6. Rekan – rekan di PT. XL Axiata. Tbk yang tidak bisa penulis sebutkan
satu persatu, yang telah menerima penulis dan kawan – kawan dengan
ramah dan memberikan dukungan penuh,
vii
 LAPORAN KERJA PRAKTIK
PT XL AXIATA TBK
JAKARTA

7. Ramadhani Prasyanto dan Nida Nabilah Nuzul L., selaku rekan Kerja
Praktik, yang telah menemani penulis selama pelaksanaan Kerja Praktik
dan memberikan dukungan kepada penulis secara terus – menerus,
8. Orang tua, keluarga, dan teman-teman tercinta yang telah memberikan
dukungan moriil baik imoriil yang tiada henti.
Penulis menyadari bahwa penyusunan laporan ini masih belum sempurna.
Untuk itu, penulis sangat mengharapkan adanya kritik dan saran demi
kemajuan di kemudian hari. Akhir kata, penulis mohon maaf apabila ada
kesalahan selama kegiatan Kerja Praktik berlangsung hingga tersusunnya
laporan ini.

Surabaya, Mei 2019

Penulis

viii
 LAPORAN KERJA PRAKTIK
PT XL AXIATA TBK
JAKARTA

DAFTAR ISI
LEMBAR PENGESAHAN .................................................................... iv
KATA PENGANTAR ............................................................................ vii
DAFTAR ISI............................................................................................ ix
DAFTAR TABEL ................................................................................... xi
DAFTAR GAMBAR ............................................................................... xi
DAFTAR KODE ..................................................................................... xi
DAFTAR DATA ...................................................................................... xi
BAB I PENDAHULUAN ..........................................................................1
1.1 Latar Belakang .......................................................................... 1
1.2 Rumusan Masalah ..................................................................... 3
1.3 Batasan Masalah ....................................................................... 3
1.4 Tujuan ....................................................................................... 3
1.5 Manfaat ..................................................................................... 3
1.6 Metode Penelitian ..................................................................... 4
1.7 Pelaksana Kerja Praktik ............................................................ 6
1.8 Tempat dan Waktu Pelaksanaan ............................................... 6
1.9 Sistematika Penulisan Laporan ................................................. 6
BAB II GAMBARAN UMUM PT. XL Axiata. Tbk ..............................9
2.1 Informasi Umum ....................................................................... 9
2.2 Sejarah....................................................................................... 9
2.3 Visi PT XL Axiata Tbk ........................................................... 15
2.4 Struktur Perusahaan ................................................................ 15
2.5 Struktur Grup dan Kepemilikan .............................................. 15
BAB III TINJAUAN PUSTAKA ...........................................................17
3.1 Analisis Sentimen ................................................................... 17
3.2 Machine Learning ................................................................... 17
3.3 Natural Languange Processing ............................................... 18
3.4 Tf-idf ....................................................................................... 18

ix
 LAPORAN KERJA PRAKTIK
PT XL AXIATA TBK
JAKARTA

3.5 Support Vector Machine (SVM) ..............................................20

BAB IV ANALISIS, PERANCANGAN DAN HASIL
PEMBAHASAN ...................................................................................... 23
4.1 Persiapan Implementasi ...........................................................23
4.2 Scrapping Data ........................................................................24
4.3 Pre-processing Data.................................................................26
4.3.1 Lowercase ..................................................................... 26
4.3.2 Menghapus URL ........................................................... 27
4.3.3 Penghapusan Tanda Baca, Simbol, dan Angka............. 27
4.3.4 Menghapus Huruf yang Berulang ................................. 28
4.3.5 Tokenizing ..................................................................... 28
4.3.6 Mengkoreksi Kata-Kata ................................................ 29
4.3.7 Menghilangkan Stopword ............................................. 31
4.4 Pelabelan ..................................................................................32
4.5 TF-IDF .....................................................................................32
4.6 Implementasi SVM ..................................................................35
BAB V PENUTUP .................................................................................. 37
5.1. Kesimpulan ..............................................................................37
5.2. Saran ........................................................................................37
DAFTAR PUSTAKA .............................................................................. 39
BIODATA PENULIS ............................................................................. 41

x
 LAPORAN KERJA PRAKTIK
PT XL AXIATA TBK
JAKARTA

DAFTAR TABEL
Tabel 1 Spesifikasi Perangkat Keras Laptop............................................ 23
Tabel 2 Daftar Library ............................................................................. 23
Tabel 3 Hasil Pelabelan............................................................................ 32
Tabel 4 Perbandingan Jumlah Data pada Kelas Sentimen ....................... 32
Tabel 5 Perbandingan Data Train dan Data Test ..................................... 33
Tabel 6 Hasil TF-IDF ............................................................................... 33

DAFTAR GAMBAR
Gambar 1 Diagram Alur Metode Penelitian .............................................. 5
Gambar 2 Struktur Perusahaan PT XL Axiata Tbk. ................................. 15
Gambar 3 Struktur Grup dan Kepemilikan .............................................. 16
Gambar 4. Gambar SVM ......................................................................... 21
Gambar 5 Word Cloud Tweet Negatif ...................................................... 34
Gambar 6 Word Cloud Tweet Positif....................................................... 34
Gambar 7 Hasil Prediksi Label ................................................................ 36

DAFTAR KODE
Kode 1 Scrapping Data ............................................................................ 25
Kode 2 Mengubah kata menjadi huruf kecil ............................................ 26
Kode 3 Menghapus URL ......................................................................... 27
Kode 4 Menghapus Tanda Baca,Simbol, dan Angka ............................... 28
Kode 5 Menghapus Huruf yang Berulang................................................ 28
Kode 6 Tokenizing ................................................................................... 29
Kode 7 Membaca Dictionary ................................................................... 29
Kode 8 Mencari Kata Typo ...................................................................... 30
Kode 9 Mengganti Kata Typo .................................................................. 30
Kode 10 Menghilangkan Stopword.......................................................... 31
Kode 11 Membagi data test dan data train ............................................... 32
Kode 12 TF-IDF ...................................................................................... 33
Kode 13 Menampilkan TF-IDF ............................................................... 33
Kode 14 Implementasi SVM .................................................................... 35
Kode 15 Prediksi Label ............................................................................ 35
DAFTAR DATA
Data 1 Hasil Scrapping yang disimpan di CSV ....................................... 26
Data 2 Hasil Pre-processing yang disimpan di CSV ............................... 31
xi
 LAPORAN KERJA PRAKTIK
PT XL AXIATA TBK
JAKARTA

“Halaman ini sengaja dikosongkan”

xii
 LAPORAN KERJA PRAKTIK
PT XL AXIATA TBK
JAKARTA

BAB I
PENDAHULUAN
1.1 Latar Belakang
Pengguna telepon seluler (ponsel) di tanah air mencapai 371,4 juta
pengguna atau 142 persen dari total populasi sebanyak 262 juta jiwa.
Pengguna internet di dunia semakin meningkat setiap tahunnya [1].
Menurut situs riset Internet World Stats Indonesia berada di posisi kelima
dalam penggunaan internet di Asia mengungguli Jepang dan Rusia [1].
Berdasarkan data wearesocial.sg, pengguna internet di Indonesia mencapai
132,7 juta dengan penetrasi sekitar 51 persen dari populasi. Untuk
pengguna media sosial aktif mencapai 106 juta dengan penetrasi sekitar
40%, dan pengguna media sosial mobile aktif mencapai 92 juta atau sekitar
35% dari populasi. Dibandingkan dengan tahun 2016, pengguna ponsel
Indonesia meningkat 14%. Sementara untuk penetrasi pengguna media
sosial aktif meningkat 34%, dan penetrasi pengguna media sosial mobile
aktif bertambah 39%. Berdasarkan Siaran Pers No.
112/HM/KOMINFO/05/2018, menyatakan bahwa jumlah pelanggan
provider di Indonesia adalah sejumlah 254.792.159 pelanggan. Dengan
jumlah pengguna telepon seluler yang terus meningkat ini dapat
dimanfaatkan oleh perusahaan yang memberikan layanan jasa
telekomunikasi untuk memberikan tawaran yang menarik kepada
konsumen. Adanya media sosial telah memberikan tempat bagi pengguna
internet mengekspresikan dan berbagi pemikiran dan pendapat mereka
tentang topik yang berbeda dan acara. Twitter adalah salah satu media sosial
yang digunakan oleh perusahaan-perusahaan telekomunikasi untuk
memonitor reputasi dan merek mereka dengan mengekstrak dan
menganalisis sentimen dari tweet yang diposting oleh publik tentang
mereka, pasar mereka, dan pesaing. Pada kasus ini, penulis akan mengolah
data yang terkait analisis sentimen melalui twitter. Sebab di Indonesia
pengguna twitter aktif dalam satu hari mencapai 77% dan para pengguna
twitter menghasilkan 500 juta kicauan setiap harinya. Bahkan dua
perusahaan provider di industri telekomunikasi pun mendapati peringkat
tiga besar dalam keaktifannya di twitter. Teks mining penting dalam analisa
sentimen sebagai pengidentifikasi emosial suatu pernyataan, sehingga
banyak studi tentang analisa sentimen dilakukan [2]. Analisis sentimen
1
 LAPORAN KERJA PRAKTIK
PT XL AXIATA TBK
JAKARTA

adalah studi komputasi dari opini-opini, sentimen, serta emosi yang

diekspresikan dalam teks [3]. Tugas dasar dalam analisis sentimen adalah
mengelompokkan polaritas dari teks yang ada dalam dokumen, kalimat,
atau pendapat. Polaritas mempunyai arti apakah teks yang ada dalam
dokumen, kalimat, atau pendapat memiliki aspek positif atau negatif
Analisis sentimen atas data twitter dan mikro-blog serupa lainnya
menghadapi beberapa tantangan baru karena panjang pendek dan tidak
teratur struktur konten semacam itu. Twitter dengan 160 karakter membuat
penggunanya harus menyingkat suatu kata dan menyisipkan suatu slang.
Hal ini menunjukkan perlu dilakukan suatu ekstraksi terhadap hal tersebut.
Proses untuk mengekstraki informasi yang berguna dari ulasan pengguna
disebut opinion mining. Proses ini dilakukan dengan menggunakan metode
Natural Language Processing dan metode analisis teks [4]. Penting bagi
sebuah perusahaan atau organisasi untuk mengetahui tanggapan publik
mengenai produk atau layanan yang mereka tawarkan. Tidak bisa
dipungkiri bahwa opini yang muncul dari publik dapat mempengaruhi citra
dari sebuah organisasi atau perusahaan [5]. Akan tetapi, memantau dan
mengorganisasi opini dari masyarakat di sosial media juga bukanlah hal
yang mudah. Opini yang dimuat jumlahnya terlalu banyak untuk diproses
secara manual. Oleh sebab itu, diperlukan sebuah metode atau teknik
khusus yang mampu mengkategorikan tanggapan di sosial media tersebut
secara otomatis, apakah termasuk positif atau negatif.

Banyak ide telah muncul selama beberapa tahun belakangan tentang

teknik pembelajaran mesin untuk permasalahan analisis sentimen. Terdapat
banyak metode yang telah digunakan dalam penggalian suatu opini.
Penelitian dari Pang dan Lee menggali opini dari ulasan film dengan
menggunakan metode Naïve Bayes dan Support Vector Machine (SVM)
serta dengan seleksi fitur berupa Based on Minimum Cut [6]. Penelitian
tersebut menghasilkan performansi sebesar 86.4% [6]

Pada proposal kerja praktik ini akan menggunakan metode Support

Vector Machine (SVM) dalam pengklasifikasian suatu opini. Metode ini
menghasilkan jenis kelas dari suatu opini menjadi dua kelas opini positif
dan negatif. Pengujian metode ini akan dilakukan pada data konsumen
perusahaan PT. XL Axiata. Tbk di Twitter. Selain itu didapatkan performasi
2
 LAPORAN KERJA PRAKTIK
PT XL AXIATA TBK
JAKARTA

dari metode tersebut sebagai bahan pertimbangan dalam penelitian

selanjutnya..

1.2 Rumusan Masalah

Berikut adalah permasalahan yang dibahas pada kerja praktik ini :
1. Bagaimana cara mengklasifikasikan tanggapan konsumen dari
perusahaan telekomunikasi di twitter menggunakan algoritma
Support Vector Machine (SVM).
2. Bagaimana cara menganalisa berapa banyak tweet yang bersifat
negatif dan positif di twitter perusahaan PT. XL Axiata. Tbk.
3. Bagaimana cara mengukur akurasi machine learning serta
mendapatkan kata yang paling banyak muncul dalam tweet
konsumen..

1.3 Batasan Masalah

Dalam kerja praktik ini, permasalahan yang dibahas akan
dibatasi ruang lingkup pembahasannya, antara lain :
1. Data yang digunakan bersumber dari twitter.
2. Data berupa kalimat berbahasa Indonesia.
3. Data diambil pada akun twitter PT. XL Axiata Tbk yaitu
@myxlcare

1.4 Tujuan
Tujuan dari kerja praktik ini meliputi :
1. Mengklasifikasikan tanggapan konsumen dari perusahaan
telekomunikasi di Twitter menggunakan algoritma Support Vector
Machine (SVM).
2. Manganalisa berapa banyak tweet yang bersifat negatif dan positif
di Twitter perusahaan PT. XL Axiata. Tbk.
3. Mengukur akurasi serta mendapatkan kata yang paling banyak
muncul .

1.5 Manfaat
Manfaat dari kerja praktik ini :

1. Bagi Perusahaan

3
 LAPORAN KERJA PRAKTIK
PT XL AXIATA TBK
JAKARTA

Manfaat yang dapat diterima oleh perusahaan PT. XL Axiata.

Tbk adalah dapat mengetahui opini pelanggan terhadap produk
perusahaan sehingga dapat membantu perusahaan dalam mengetahui
performance layanan perusahaan. Hasil penelitian ini juga dapat
dijadikan sebagai dasar penentuan pelayanan yang baik dengan
memperhatikan opini pelangggan.
2. Bagi Penulis
Untuk penulis sendiri manfaat dari kerja praktik ini ialah
penulis dapat mendapatkan pengalaman berharga dalam bidang
analisa data dan dapat menerapkannya dalam bidang lain. Selain itu
penulis juga mampu membuat program dimana dapat meningkatkan
wawasan ilmu Matematika terutama pengaplikasiannya pada
permasalahan riil.
1.6 Metode Penelitian
Metode yang dilakukan pada kerja praktik digambarkan dalam
diagram alir berikut :

Masukan Proses Keluaran

Data dari Scrapping Data

Twitter
Mentah

Data Pre-processing Data

Mentah Data Pelabelan

4
 LAPORAN KERJA PRAKTIK
PT XL AXIATA TBK
JAKARTA

Data Dataset yang

Labelling Data
Pelabelan telah berlabel

Data Data vector

TF-IDF
Berlabel kata

Data Vektor Class

Kata SVM
Tweet

Gambar 1 Diagram Alur Metode Penelitian

Berikut merupakan penjelasan singkat mengenai diagram

alur metode penelitian di atas :
1. Scrapping Data
Scrapping data dari twitter PT. XL Axiata Tbk yaitu akun
@myxlcare.
2. Pre-Processing Data
Pembersihan data dari URL, emotikon, serta tanda baca.
3. Labelling
Data yang diperoleh dari twitter akan dilabelin menjadi kelas
positif atau negatif.
4. TF-IDF
Pada tahapan ini dilakukan pembobotan kata dari seluruh dataset.
5. SVM
Implementasi algoritma SVM sehingga didapatkan akurasinya.

5
 LAPORAN KERJA PRAKTIK
PT XL AXIATA TBK
JAKARTA

1.7 Pelaksana Kerja Praktik

Pelaksana kegiatan kerja praktik adalah mahasiswa Departemen
Matematika, Fakultas Matematika, Komputasi, dan Sains Data,
Institut Teknologi Sepuluh Nopember Surabaya, yaitu:
Nama : Inayah Eka Firdausi
NRP : 06111540000018

1.8 Tempat dan Waktu Pelaksanaan

Kerja Praktik ini dilaksanakan di kantor PT. XL Axiata. Tbk
yang beralamatkan di Jl. H.R. Rasuna Said X5 Kav. 11-12 Kuningan
Timur, Setiabudi, Jakarta Selatan pada tanggal 2 Juli – 3 Agustus
2018.

1.9 Sistematika Penulisan Laporan

Penulisan laporan kerja praktik ini disusun dalam lima bab,
yaitu:

BAB I Pendahuluan
Memuat latar belakang perumusan masalah, batasan masalah, tujuan,
metodologi pelaksanaan kerja praktik, pelaksanaan kegiatan, rentang
waktu pelaksanaan, serta sistematika penulisan laporan.

BAB II Gambaran Umum PT. XL Axiata. Tbk

Bab ini menjelaskan secara umum struktur organisasi perusahaan atau
lembaga tempat dilaksanakannnya kerja praktik yaitu PT. XL Axiata.
Tbk, baik itu sejarah perkembangan, lokasi, maupun struktur
organisasi yang ada.

BAB III Tinjauan Pustaka

Bab ini menjelaskan tentang analisis sentimen, machine learning,
NLP, TF-IDF, dan algoritma SVM

BAB IV Analisis, Perancangan dan Pembahasan

Bab ini merupakan pembahasan utama dari laporan kerja praktik yang
dilakukan. Pada bab ini dijelaskan proses scrapping data dari twitter,
pre-processing data, pelabelan secara manual, pembobotan kata, dan
implementasi SVM dan mendapatkan akurasinya..

6
 LAPORAN KERJA PRAKTIK
PT XL AXIATA TBK
JAKARTA

BAB V Penutup
Pada bab penutup dirumuskan kesimpulan serta saran dari
pembahasan kerja praktik ini.

Daftar Pustaka

7
 LAPORAN KERJA PRAKTIK
PT XL AXIATA TBK
JAKARTA

“Halaman ini sengaja dikosongkan”

8
 LAPORAN KERJA PRAKTIK
PT XL AXIATA TBK
JAKARTA

BAB II
GAMBARAN UMUM PT. XL Axiata. Tbk
2.1 Informasi Umum
XL Axiata (1996) menjadi perusahaan seluler swasta pertama di
Indonesia. Saat ini, saham XL Axiata dimiliki oleh Axiata Investments
(Indonesia) (66,4%) yang tergabung dalam Axiata Group Berhad,
perusahaan telekomunikasi terbesar di Asia dan publik (33,6%). XL
Axiata terus berinovasi dan menjadi operator telekomunikasi pertama
di Indonesia yang meluncurkan 4,5G. [8]

2.2 Sejarah
Pada tahun 1989 PT XL Axiata Tbk, sebelumnya bernama PT
Excelcomindo Pratama Tbk, merupakan perusahaan operator
telekomunikasi seluler swasta pertama yang didirikan merupakan
awal perjalanan berdirinya perusahan XL di Indonesia. [9]
Tahun 1996, Perusahaan ini memperoleh izin selular system GSM
900 dan resmi beroperasi secara komersial dengan fokus di area
Jakarta, Bandung dan Surabaya. [10]
Tahun 1997, telah membangun jaringan microcell terpadu di
kawasan Segitiga Emas Jakarta. Segitiga ini dibentuk oleh beberapa
jalan utama Jakarta, yakni Jalan M. H. Thamrin-Jalan Jenderal
Sudirman (Utara-barat Daya), Jalan H. R. Rasuna Said (Utara-
Tenggara), dan Jalan Jenderal Gatot Subroto (Timur-Barat). [10]
Tahun 1998, perusahaan ini mulai meluncurkan merek proXL
untuk produk layanan prabayar. [10]
Tahun 2000, Setelah mulai secara komersial di wilayah Jakarta,
Bandung dan Surabaya. Pada tahun 2000 ini perusahaan XL mulai
memasuki pangsa pasar di Sumatera dan Batam. [10]
Tahun 2001, Mendapatkan alokasi spectrum DCS 1800 dan
menyelesaikan pembangunan jaringan utama serat optic, dan
Menghadirkan layanan m-banking and m-fun. [10]
Tahun 2002,PT XL melebarkan sayapnya di wilayah Indonesia
Utara ditandai dengan mendapatkan alokasi jaringan ke Kalimantan
dan Sulawesi. Serta Meluncurkan layanan baru yaitu sirkuit sewa dan
IP (Internet Protocol). [10]

9
 LAPORAN KERJA PRAKTIK
PT XL AXIATA TBK
JAKARTA

Pada tahun 2004, Perusahaan ini melakukan re-branding logo XL

Axiata dan mengubah merek ‘proXL’ dengan produk-produk baru,
yaitu jempol (prabayar), bebas (prabayar) dan Xplor (pascabayar). [10]
Tahun 2005, perusahaan ini menjadi anak perusahaan TM Group
dan melakukan Penawaran Umum Perdana Saham sebanyak
1.427.500.000 lembar saham serta terdaftar di Bursa Efek Indonesia
(d/h Bursa Efek Jakarta) dengan kode saham EXCL. [10]
Tahun 2006, Menghadirkan layanan baru yaitu XL, 3G sesuai
dengan namanya layanan ini merupakan layanan selular dengan
jaringan 3G yang memiliki tagline "Pertama Terluas danTercepat".
[10]
Tahun 2007, perusahan ini menjadi pelopor di Indonesia dalam
penerapan tarif telepon Rp1 / detik. Pada tahun ini juga pemegang
sahan XL Axiata di pegang oleh perusahaan telekomunikasi terbesar
ke- 2 di Timur Tengah yaitu Etisalat. Dengan berubahnya pemegang
saham ini PT XL Axiata memulai konsolidasi brand menjadi
"prabayar XL" dan "pascabayar XL". [10]
Tahun 2008, TM Group mengumumkan penyelesaian proses
demerger, menghasilkan dua entitas yang terpisah, yaitu Telekom
Malaysia Berhad (“TM”) dan TM International Berhad (sekarang
bernama Axiata Group Berhad/”Axiata”), dimana Indocel Holding
Sdn. Bhd. secara tidak langsung merupakan anak perusahaan Axiata
melalui TM International (L) Limited. Tahun ini juga, Axiata
mengakuisisi seluruh kepemilikan saham XL yang dimiliki oleh
Khazanah Nasional Berhad, sehingga kepemilikan Indocel Holding
Sdn. Bhd. menjadi 83,8%. [10]
Tahun 2009, PT XL Axiata melakukan Penawaran Umum
Terbatas I dalam rangka Penerbitan Hak Memesan Efek Terlebih
Dahulu (HMETD) sejumlah 1.418.000.000 saham baru. [10]
Tahun 2010, Pemegang saham mayoritas XL Axiata yaitu Axiata
Investments (Indonesia) Sdn. Bhd. melepaskan sebagian sahamnya
(senilai 20% dari jumlah yang diterbitkan) di XL Axiata melalui
Private Placement untuk meningkatkan jumlah saham XL Axiata yang
dimiliki publik. [10]

10
 LAPORAN KERJA PRAKTIK
PT XL AXIATA TBK
JAKARTA

Tahun 2011, XL Axiata melaksanakan transformasi total dalam

strategi usaha demi menekuni usaha masa depan di segmen layanan
data dan menjamin kelanjutan pertumbuhan jangka panjang. Lalu XL
Axiata mengubah fokus pemasaran dengan memperkenalkan moto
baru : XLangkah Lebih Maju, dimana posisi XL Axiata sebagai
daya tarik bagi konsumen telekomunikasi menjadi meningkat dan
lebih berkualitas pada semua layanan. [10]
Pada tahun 2012, Etisalat, salah satu pemegang saham utama di
XL Axiata, menginvestasikan 9,1% kepemilikan sahamnya melalui
penawaran saham pada investor institusi. Sehingga porsi kepemilikan
saham publik meningkat dari 20,2% menjadi 33,5%. Kemudian XL
Axiata terus berfokus pada bisnis komunikasi data dan investasi pada
infrastruktur jaringan secara komprehensif, termasuk menggelar lebih
dari 11.000 BTS baru di tahun 2012. [10]
Tahun 2013, XL Axiata menjadi salah satu dari 2 operator selular
yang memenangkan seleksi tender tambahan kanal frekuensi seluler
generasi ketiga (3G) pada Pita Frekuensi Radio 2.1 GHz. Lalu XL
Axiata juga membuktikan secara teknis siap mengadopsi teknologi 4G
LTE (long term evolution). Kemudian XL Axiata dan Saudi Telecom
Company (STC) dan Teleglobal Investment B.V (Teleglobal)
menandatangani Perjanjian Jual Beli Bersyarat (Conditional Sales and
Purchase Agreement-CSPA) untuk mengakuisisi PT AXIS Telekom
Indonesia (AXIS). [10]
Pada tahun 2014, XL Axiata menyelesaikan pengambilalihan
AXIS pada bulan Maret dilanjutkan dengan penyelesaian
penggabungan usaha pada bulan April. Kemudian XL Axiata
menandatangani Perjanjian Pembelian Aset (Asset Purchase
Agreement atau “APA”) dengan PT Solusi Tunas Pratama Tbk.
(“STP”), selaku pemenang tender penjualan 3.500 menara yang
diselenggarakan XL Axiata, dengan nilai transaksi sebesar Rp5,6
Triliun. XL Axiata dan STP juga menandatangani Perjanjian Induk
Sewa Menara dimana XL Axiata telah setuju untuk menyewa kembali
Menara yang telah dijual kepada STP untuk jangka waktu 10 tahun.
Lalu XL Axiata juga di tahun 2014 meluncurkan uji coba real mobile
4G-LTE (Long Term Evolution). Layanan internet kecepatan tinggi
11
 LAPORAN KERJA PRAKTIK
PT XL AXIATA TBK
JAKARTA

XL Axiata hingga 100Mbps ini didukung oleh Huawei dan Ericsson.

Di sisi lain XL Axiata melakukan penggantian logo dengan konsep
logo peel off yang maknanya mengupas, menunjukkan komitmen XL
Axiata untuk menghilangkan hambatan atau membuka akses menuju
kesempatan baru untuk mengembangkan potensi yang dimiliki
pelanggan secara maksimal. [10]
Tahun 2015, XL Axiata melakukan transformasi bisnis melalui
implementasi strategi 3R “Revamp, Rise-up the value ladder &
Reinvent” di awal tahun 2015. Revamp, mengubah model bisnis
pencapaian jumlah pelanggan (dari ‘volume’ ke ‘value’) dan
meningkatkan profitabilitas produk. Rise-up the value ladder,
meningkatkan nilai merek XL melalui strategi dual-brand dengan
AXIS. Reinvent, akan membangun dan menumbuhkan berbagai
inovasi-inovasi bisnis. Di tahun 2015 ini juga Merek produk layanan
seluler AXIS kembali hadir dengan wajah baru pasca merger dengan
XL Axiata. Kemudian XL Axiata meluncurkan jasa LTE pada
frekuensi 1.800 MHz bandwidth dan mencapai 35 kota di seluruh
Indonesia. Dengan itu XL Axiata berhasil menyelesaikan penawaran
tahap pertama Sukuk Ijarah sebesar Rp1,5 triliun, sebagai bagian dari
program Sukuk Ijarah sebesar Rp5 triliun, yang merupakan penawaran
korporasi terbesar. Transaksi ini merupakan pencapaian signifikan
dari investor, sehingga oversubscribed 1,56 kali dari besarnya
penawaran. [10]
Pada tahun 2016, Dalam 20 tahun beroperasi, XL Axiata terus
berfokus untuk meningkatkan nilai brand XL yang berpijak pada
penggunaan infrastruktur data unggul untuk menarik pelanggan Data
Savvy smartphone. XL Axiata juga terus memastikan kualitas layanan
data bagi para pelanggannya melalui pembangunan (roll out) dan
peningkatan jaringan. Pada semester kedua tahun 2016, XL Axiata
menggelar layanan U900 di seluruh negara dengan menggunakan
frekuensi 900MHz untuk layanan Data 3G sehingga menciptakan
cakupan 3G yang lebih luas, lebih baik dengan peningkatan kualitas
jaringan khususnya diluar Jawa. Untuk memperingati Ulang Tahun
ke-20, dengan mengingat rendahnya penetrasi Broadband di Indonesia,
XL Axiata meluncurkan Mobile Broadband (MBB) dengan pilihan
12
 LAPORAN KERJA PRAKTIK
PT XL AXIATA TBK
JAKARTA

opsi bagi perorangan maupun perumahan dan UKM. Di tahun ini juga
XL Axiata merupakan operator telekomunikasi pertama yang secara
komersial meluncurkan 4,5G Ready di spektrum 1.800 MHZ.
Kemudian XL Axiata meluncurkan “XL Prioritas” bagi pelanggan
pasca bayar. Dengan 3 keuntungan utama yaitu : Prioritised, Control,
dan Worry-Free. Ketiga keuntungan ini merupakan hal baru dalam
berkomunikasi yang dikemas dalam bentuk kualitas layanan dan
jaringan yang lebih baik. Implementasi strategi Dual Brand: XL dan
AXIS. Serta di tahun ini XL Axiata memasuki tahap akhir
Transformasi Logo Brand XL untuk produk layanan. [10]
Pada tahun 2017 XL Axiata menandatangani Perjanjian Jual Beli
Bersyarat ("CSPA") untuk melepas seluruh kepemilikan sahamnya di
PT XL Planet ("elevenia") termasuk juga seluruh saham dari SK
Planet Global Holdings Pte. Ltd. (SK Planet), kepada PT Jaya
Kencana Mulia Lestari dan Superb Premium Pte. Ltd. Pilihan strategis
untuk melepas kepemilikan elevenia adalah agar XL Axiata semakin
fokus kepada kekuatan utama dan mengembangkan bisnis layanan
data untuk menjadi pemimpin pasar dari penyedia layanan mobile data
di Indonesia. XL Axiata bekerjasama dengan Kementerian Kelautan
dan Perikanan (KKP) Republik Indonesia serta Kementerian
Komunikasi dan Informatika Republik Indonesia mendukung penuh
realisasi program “Nelayan Go Online” dengan aplikasi berupa
“Nelayan Pintar (NELPIN)” kepada para nelayan di berbagai daerah.
Implementasi yang sudah terlaksana antara lain di Makasssar, Medan,
Banda Aceh, Lampung, Banyuwang, dan Sabang. XL Axiata
meluncurkan “Gerakan Donasi Kuota” (GDK) guna menggalang
partisipasi pelanggan dan masyarakat untuk mendonasikan kuota
miliknya, yang selanjutnya disalurkan bagi peningkatan kualitas
pendidikan sekolah-sekolah di berbagai pelosok Indonesia. XL Axiata
menandai peringatan hari jadi ke-21 dengan membangun infrastuktur
jaringan melalui program Kewajiban Pelayanan Universal/Universal
Service Obligation (USO). Proses pembangunan jaringan
telekomunikasi tersebut dilakukan secara bersamaan di 4 provinsi,
mencakup 40 titik lokasi Base Transceiver Station (BTS) yang hampir
semuanya berlokasi di daerah terpencil. XL Axiata terlibat penuh
13
 LAPORAN KERJA PRAKTIK
PT XL AXIATA TBK
JAKARTA

dalam pembangunan Sistem Komunikasi Kabel Laut (SKKL)

Australia-Indonesia-Singapore yang menghubungkan Australia
dengan Singapura dan melalui perairan Indonesia. SKKL ini akan
menyediakan alternatif akses internet dari Indonesia ke jaringan
global melalui Australia. [10]
Dan pada tahun 2018, XL Axiata terlibat penuh dalam
pembangunan Sistem Komunikasi Kabel Laut (SKKL) Australia-
Indonesia-Singapore yang menghubungkan Australia dengan
Singapura dan melalui perairan Indonesia. Proses pembangunan
jaringan ini mulai mengoperasikan jaringan telekomunikasi USO
(universal service obligation) yang tersebar di 40 lokasi di 4 provinsi.
Pembangunan ini masih berjalan dan siap untuk beroperasi pada
kuartal ketiga tahun 2018. XL Axiata meluncuran produk baru yaitu
layanan broadband internet super cepat dengan nama “XL Home
POW!”. Layanan baru ini mampu menyediakan kecepatan akses
hingga 300 Mbps. XL Axiata meresmikan pusat monitoring kualitas
layanan terpadu baru bernama “Customer Experience & Service
Operation Center” (CE & SOC), di Jakarta. Pusat monitoring baru ini
akan memudahkan XL Axiata dalam memantau dinamika layanan
terkait semakin berkembangnya layanan data/Internet, termasuk
perilaku penggunaan layanan oleh pelanggan pada suatu layanan. XL
Axiata bersama Kementerian Komunikasi dan Informatika dan
Pemerintah Daerah Provinsi DKI Jakarta menggelar uji coba layanan
berbasis 5G dan WiGig di Kota Tua, Jakarta Barat. Aplikasi Laut
Nusantara, hasil kolaborasi antara Balai Riset dan Observasi Laut
(BROL), Badan Riset dan SDM Kelautan dan Perikanan, Kementerian
Kelautan dan Perikanan dengan XL Axiata telah berhasil melahirkan
suatu aplikasi digital “Laut Nusantara” yang akan bisa membantu
meningkatkan produktivitas dan keamanan kerja masyarakat nelayan
Indonesia. XL Axiata meresmikan laboratorium IoT (IoT Lab)
bernama X-CAMP di Jakarta. X-Camp merupakan IoT Innovation
Lab terlengkap yang dimiliki oleh operator telekomunikasi di
Indonesia dan merupakan satu-satunya Lab IoT yang tergabung di
GSMA Lab Alliance di Kawasan Asia. [10]

14
 LAPORAN KERJA PRAKTIK
PT XL AXIATA TBK
JAKARTA

2.3 Visi PT XL Axiata Tbk

Seiring dengan perkembangan teknologi digital dan transformasi
perusahaan, PT XL Axiata memiliki visi yaitu Menjadi provider
konektivitas data yang paling diminati pada tahun 2020. [8]

2.4 Struktur Perusahaan

Gambar 2 Struktur Perusahaan PT XL Axiata Tbk.

2.5 Struktur Grup dan Kepemilikan

Detail Pemegang Saham :
1. Axiata Investments (Indonesia) Sdn. Bhd.
Axiata merupakan salah satu grup industri telekomunikasi terbesar
di kawasan Asia dengan tujuan utama: Memajukan Asia. Didirikan
pada tanggal 12 Juni 1992 dan tercatat pada Papan Utama Bursa
Malaysia Securities Berhad sejak 28 April 2008, Axiata
mengendalikan saham mayoritas pada operator-operator seluler di
Malaysia, Indonesia, Bangladesh, Sri Lanka, Kamboja serta memiliki
kepentingan strategis di India, Singapura dan Pakistan. [9]
Anak perusahaan Axiata beroperasi di bidang telekomunikasi
dengan merek Celcom (Malaysia), XL (Indonesia), Dialog (Srilanka),
Robi (Bangladesh), Smart (Kamboja), Idea (India) dan M1
(Singapura). Axiata juga mendirikan edotco Group selaku perusahaan
infrastruktur dan layanan telekomunikasi. [9]
Jumlah Saham : 7.092.656.612 saham (66,4%) [9]
2. Masyarakat

15
 LAPORAN KERJA PRAKTIK
PT XL AXIATA TBK
JAKARTA

Jumlah Saham : 3.595.303.811 saham (33,6%) [9]

Gambar 3 Struktur Grup dan Kepemilikan

16
 LAPORAN KERJA PRAKTIK
PT XL AXIATA TBK
JAKARTA

BAB III
TINJAUAN PUSTAKA
3.1 Analisis Sentimen
Analisis sentimen adalah disiplin yang mengekstraksi perasaan,
pendapat, pikiran, dan perilaku orang-orang dari data teks pengguna
menggunakan metode Natural Language Processing (NLP) [11].
Selain itu, analisis sentimen juga dikenal sebagai opinion mining.
Analisis sentimen dapat digunakan untuk menemukan pola opini
dalam populasi seperti di mana orang lebih bahagia atau apa persepsi
publik tentang suatu merek produk atau layanan baru. Ada beberapa
metode dalam analisis sentimen, yaitu metode berbasis leksikon,
metode berbasis machine learning, dan metode Hybrid [12]. Metode
berbasis machine learning dibagi menjadi tiga yaitu unsupervised
learning, supervised learning, dan semi-supervised learning [12].
Pada supervised learning terdapat beberapa algoritma klasifikasi
seperti SVM, Naïve Bayes, dan Neural Network

3.2 Machine Learning

Machine learning adalah disiplin yang mempelajari dan
mengembangkan algoritma untuk belajar, dan membuat prediksi data
[11]. Machine learning berfokus pada prediksi berdasarkan yang
diketahui properti data [10]. Tujuan machine learning adalah untuk
menggeneralisasi pola yang terdeteksi atau membuat aturan yang tidak
diketahui dari contoh yang diberikan [13]. Masalah yang sering terjadi
dalam machine learning adalah bahwa set latih yang besar diperlukan
untuk generalisasi yang baik, namun rangkaian pelatihan yang besar
juga lebih mahal secara komputasi. Beberapa metode paling populer
bisa dikategorikan [11]:

1. Supervised Learning : dapat digunakan untuk memecahkan

masalah seperti klasifikasi, dimana data dilengkapi dengan
atribut tambahan yang ingin kami prediksi, misalnya label suatu
kelas. Dalam hal ini, pengklasifikasiaan dapat mengaitkan setiap
objek input dengan ouput yang diinginkan. Dengan
menyimpulkan dari fitur dari objek input, pengklasifikasian
kemudian dapat memprediksi label yang diinginkan untuk input
17
 LAPORAN KERJA PRAKTIK
PT XL AXIATA TBK
JAKARTA

baru yang tidak diketahui. Teknik umum termasuk Naive Bayes,

Support Vector Machine dan model yang termasuk dalam
keluarga Neural Networks, seperti perceptrons atau multi-layer
perceptrons. Input sampel yang digunakan oleh algoritma
pembelajaran untuk membangun model matematika disebut data
latih, sedangkan input yang tidak terlihat yang ingin kami
dapatkan prediksinya disebut data uji. Input dari algoritma
machine learning biasanya dalam bentuk vektor dengan masing-
masing elemen vektor mewakili fitur input.
2. Unsupervised Learning : diterapkan pada masalah di mana data
datang tanpa nilai output yang sesuai. Contoh khas dari masalah
semacam ini adalah clustering atau pengelompokan. Dalam hal
ini, suatu algoritma mencoba menemukan struktur tersembunyi
dalam data untuk mengelompokkan item serupa ke dalam
kelompok. Contoh dari algoritma pengelompokan yang umum
adalah k-means.

3.3 Natural Languange Processing

Natural Language Processing (NLP) adalah disiplin yang terkait
dengan studi metode dan teknik untuk analisis otomatis, pemahaman,
dan generasi bahasa alami, yaitu bahasa yang ditulis atau diucapkan
secara alami oleh manusia [11]. Natural Language Processing (NLP)
adalah salah satu teknik dalam Text Mining [14]. Tantangan dalam
Natural Language Processing sering kali melibatkan pengenalan
suara harus jelas, mengharuskan manusia untuk dapat berbicara
kepada komputer dalam bahasa pemrograman yang tepat, tidak
ambigu dan sangat terstruktur.

3.4 Tf-idf
Menurut Zafikri (2008) term weighting atau pembobotan term
sangat dipengaruhi oleh hal-hal berikut ini :

1. Term Frequency (TF)

Term Frequency (TF) yaitu faktor yang menentukan bobot term
pada suatu dokumen berdasarkan jumlah kemunculannya dalam
dokumen tersebut. Nilai jumlah kemunculan suatu kata (term

18
 LAPORAN KERJA PRAKTIK
PT XL AXIATA TBK
JAKARTA

frequency) diperhitungkan dalam pemberian bobot terhadap suatu

kata. Semakin besar jumlah kemunculan suatu term (tf tinggi) dalam
dokumen, semakin besar pula bobotnya dalam dokumen atau akan
memberikan nilai kesesuian yang semakin besar.

2. Inverse Document Frequency (IDF)

Inverse Document Frequency (IDF) yaitu pengurangan
dominansi term yang sering muncul di berbagai dokumen. Hal ini
diperlukan karena term yang banyak muncul di berbagai dokumen,
dapat dianggap sebagai term umum (common term) sehingga tidak
penting nilainya. Sebaliknya faktor kejarangmunculan kata (term
scarcity) dalam koleksi dokumen harus diperhatikan dalam pemberian
bobot. Menurut Mandala (dalam Witten, 1999) ‘Kata yang muncul
pada sedikit dokumen harus dipandang sebagai kata yang lebih
penting (uncommon terms) daripada kata yang muncul pada banyak
dokumen. Pembobotan akan memperhitungkan faktor kebalikan
frekuensi dokumen yang mengandung suatu kata (Inverse Document
Frequency).
Metode TF-IDF merupakan metode pembobotan term yang
banyak digunakan sebagai metode pembanding terhadap metode
pembobotan baru. Pada metode ini, perhitungan bobot term t dalam
sebuah dokumen dilakukan dengan mengalikan nilai Term Frequency
dengan Inverse Document Frequency.
Pada Term Frequency (TF), terdapat beberapa jenis formula yang
dapat digunakan yaitu (Zafikri, 2008):
1. TF biner (binary TF), hanya memperhatikan apakah suatu kata ada
atau tidak dalam dokumen, jika ada diberi nilai satu, jika tidak
diberi nilai nol.
2. TF murni (raw TF), nilai TF diberikan berdasarkan jumlah
kemunculan suatu kata di dokumen. Contohnya, jika muncul lima
kali maka kata tersebut akan bernilai lima.
3. TF logaritmik, hal ini untuk menghindari dominansi dokumen
yang mengandung sedikit kata dalam query, namun mempunyai
frekuensi yang tinggi.
𝑡𝑡𝑡𝑡=1+log (𝑡𝑡𝑡𝑡)

19
 LAPORAN KERJA PRAKTIK
PT XL AXIATA TBK
JAKARTA

4. TF normalisasi, menggunakan perbandingan antara frekuensi

sebuah kata dengan jumlah keseluruhan kata pada dokumen.
𝑡𝑡𝑡𝑡
𝑡𝑡𝑡𝑡=0,5+0,5𝑥𝑥 � �
𝑚𝑚𝑚𝑚𝑚𝑚𝑚𝑚𝑚𝑚
Inverse Document Frequency (idf) dihitung dengan menggunakan
formula:
𝐷𝐷
𝑖𝑖𝑖𝑖𝑓𝑓𝑗𝑗 = 𝑙𝑙𝑜𝑜𝑔𝑔 � �
𝑑𝑑𝑓𝑓𝑗𝑗
Dimana
𝐷𝐷 : adalah jumlah semua dokumen dalam koleksi
𝑑𝑑𝑓𝑓𝑗𝑗 : adalah jumlah dokumen yang mengandung term 𝑡𝑡𝑡𝑡
Dengan demikian rumus umum untuk TF-IDF adalah
penggabungan dari formula perhitungan raw TF dan formula IDF
dengan cara mengalikan nilai Term Frequency (TF) dengan nilai
Inverse Document Frequency (idf) :
𝑤𝑤𝑖𝑖𝑖𝑖 = 𝑡𝑡𝑓𝑓𝑖𝑖𝑖𝑖 × 𝑖𝑖𝑖𝑖𝑓𝑓𝑗𝑗

𝐷𝐷
𝑤𝑤𝑖𝑖𝑖𝑖 = 𝑡𝑡𝑓𝑓𝑖𝑖𝑖𝑖 × log � �
𝑑𝑑𝑓𝑓𝑗𝑗
Keterangan :
𝑤𝑤𝑖𝑖𝑖𝑖 : adalah bobot term 𝑡𝑡𝑗𝑗 terhadap dokumen 𝑑𝑑𝑑𝑑
𝑡𝑡𝑡𝑡𝑖𝑖𝑖𝑖 : adalah jumlah kemunculan term 𝑡𝑡𝑗𝑗 dalam dokumen 𝑑𝑑𝑖𝑖

3.5 Support Vector Machine (SVM)

Support Vector Machine (SVM) secara alamiah didefinisikan untuk
klasifikasi biner data numeric. SVM merupakan salah satu metode dalam
klasifikasi yang dapat menganalisis data atau mengenali pola. Support
Vector Machine (SVM) adalah sistem pembelajaran yang
pengklasifikasiannya menggunakan ruang hipotesis berupa fungsi-fungsi
linear dalam sebuah ruang fitur (feature space) berdimensi tinggi, dilatih
dengan algoritma pembelajaran yang didasarkan pada teori optimasi dengan
mengimplementasikan learning bias yang berasal dari teori pembelajaran
statistik [15]. Karena SVM merupakan pengklasifikasian maka akan diberi
suatu himpunan latih. Pada proses latihan, SVM membangun sebuah model
yang memprediksi apakah data yang diinputkan termasuk dalam jenis

20
 LAPORAN KERJA PRAKTIK
PT XL AXIATA TBK
JAKARTA

kategori data yang terdapat pada SVM tersebut. SVM dapat diaplikasikan
pada bidang angka, termasuk handwriting digit recognition, object
recognition dan speaker identification SVM mengolah data text menjadi
vector.
Dalam konsep SVM berusaha menemukan fungsi pemisah
(hyperplane) terbaik diantara fungsi yang tidak terbatas jumlahnya.
Hyperplane pemisah terbaik antara kedua kelas dapat 3 ditemukan dengan
mengukur margin hyperplane tersebut dan mencari titik maksimalnya.
Adapun data yang berada pada bidang pembatas disebut support vector.
Secara matematika, konsep dasar SVM yaitu :

Gambar 4. Gambar SVM

1
min |𝑤𝑤|2
2
Untuk mendapatkan nilai kelas dapat dirumuskan sebagai berikut:
𝑓𝑓(𝑥𝑥) = 𝑤𝑤. 𝑥𝑥 + 𝑏𝑏
Keterangan:
x : vektor data (input)
𝑊𝑊 : vector bobot
𝑏𝑏 : bias

21
 LAPORAN KERJA PRAKTIK
PT XL AXIATA TBK
JAKARTA

𝑦𝑦 merupakan kelas label dari tweet. Sehingga ketika 𝑓𝑓(x) ≥ 0, maka

nilai 𝑦𝑦 = +1 dan ketika 𝑓𝑓(x) < 0, maka nilai 𝑦𝑦 = −1. Berdasarkan hal tersebut
dapat dituliskan sebagai berikut:
≥ 0 𝑦𝑦 = +1
𝑓𝑓(𝑥𝑥𝑖𝑖 ) �
< 0 𝑦𝑦 = −1
Keterangan:
𝑓𝑓(𝑥𝑥𝑖𝑖 ) : nilai kelas
𝑦𝑦 : label tweet
Sehingga dapat diketahui keberhasilan klasifikasi jika 𝑦𝑦𝑖𝑖 𝑓𝑓(𝑥𝑥𝑖𝑖 > 0)

22
 LAPORAN KERJA PRAKTIK
PT XL AXIATA TBK
JAKARTA

BAB IV
ANALISIS, PERANCANGAN DAN HASIL PEMBAHASAN

4.1 Persiapan Implementasi

Penelitian ini menggunakan perangkat keras dan lunak untuk
membantu proses pengerjaan. Untuk spesifikasi perangkat keras yang
digunakan dapat dilihat pada Tabel 4.1.

Nama Perangkat Laptop

Processor Intel® Core™ i3-4005U Processor @ 1.70GHz
Memory 2 GB DDR-3
Sistem Operasi Windows 10
Arsitektur Sistem 64-bit Operating System, x64-based processor
Tabel 1 Spesifikasi Perangkat Keras Laptop

Aplikasi dikembangkan dengan menggunakan beberapa

teknologi seperti code editor, database, bahasa pemrograman, dan
library yang disajikan dalam Tabel 4.2.

Bahasa Pemrograman Python

Database CSV
Code Editor (IDE) Jupyter Notebook, Google Colab
Virtual Environment Anaconda
Library • Tweepy
• NLTK
• Sastrawi
• Gensim
• Matplotlib
• Numpy
• Pandas
• CSV
• Re
• Sklearn
Tabel 2 Daftar Library

23
 LAPORAN KERJA PRAKTIK
PT XL AXIATA TBK
JAKARTA

4.2 Scrapping Data

Scrapping data adalah teknik dimana program komputer
mengekstraksi data dari output yang dapat dibaca manusia yang
berasal dari program lain. Pada tahap ini akan dilakukan ekstraksi data
dari twitter menggunakan Application Programming Interface (API)
twitter yaitu Search API.
Pada tahap ini akan mengambil data di twitter dengan kata kunci
yang ada pada batasan masalah diatas. Selanjutnya data ini akan
disimpan per hari dalam CSV.
Proses yang dilakukan dalam pembuatan twitter crawler
digunakan library Tweepy yang dikhususkan untuk melakukan proses
crawling pada social media twitter. Crawler yang dibuat akan
melakukan pengambilan data dari twitter dengan menggunakan
keyword.
Dilihat dari sisi waktu pengambilan data aturan yang digunakan
dari twitter API hanya memperbolehkan mengakses posting twitter
hingga satu minggu sebelum hari pengambilan data. Jadi, semisal
mengambil data yang lebih dari satu minggu sebelumnya maka
Twitter API akan mengembalikan nilai null. Namun, pada library
tweepy data akan diambil dari data paling baru hingga satu minggu
sebelumnya sesuai dengan ketersedian.
Untuk mendapatkan akses untuk mengambil data dari twitter
perlu 4 kode rahasia yaitu : customer key, customer secret, token
acces, dan token acces secret yang didapatkan dari situs
dev.twitter.com dengan mendaftar sebagai developer.
Berikut merupakan kode yang didapatkan dari dev.twitter.com.
customer key : yalIxYhkLaDyqnkNU3fjKcNgE
customer secret :
iNZGwv4F6MU5OEaW4x4retXus04zZ4TJswmN17vAxfOnyVzjVZ
token acces : 1016593462953558016-
JrnZ1eTAaRc86xW7XMiy8daGsOyAHc
token acces secret :
3QwfKp1TIO99tsw95hZFNY5rSftpZsCui5TTP7MaJhML2

24
 LAPORAN KERJA PRAKTIK
PT XL AXIATA TBK
JAKARTA

import tweepy
import csv
auth = tweepy.auth.OAuthHandler(ckey, csecret)
auth.set_access_token(atoken, asecret)
api = tweepy.API(auth)
csvFile = open('xl12juli.csv', 'a')
csvWriter = csv.writer(csvFile)
for tweet in tweepy.Cursor(api.search, q = "@myxlcare
until:2018-7-12 -filter:retweets -
filter:replies",tweet_mode='extended').items():
print (tweet.full_text)
csvWriter.writerow([tweet.full_text.encode('utf-8')])
csvFile.close()

Kode 1 Scrapping Data

Kode 1 menunjukkan script yang digunakan untuk melakukan

pengambilan data twitter sesuai dengan keyword pencarian yang ada.
Pada implementasi program ini akan dilakukan pencarian semua tweet
yang mengandung keyword. Kemudian pada proses ini juga
menghasilkan sebuah file CSV Twitter yang disimpan untuk
keperluan berikutnya. Proses ini akan berulang hingga hasil yang
didapatkan dari pengambilan data twitter tidak menemukan tweet lagi.
Proses ini menggunakan search API twitter. Kode diatas juga
menjelaskan proses kode sebuah instance yang menghubungkan client
dengan twitter API menggunakan API_Key dan API_Secret yang telah
didapatkan dari website Twitter API.

Sayang.... kamu kok gada sinyal pas malam hari hingga jam 05.53
ya, padahal udah pilih paket xl prioritas, dulu kamu ga begini
tp skrg berubah, lumayan loh sebulan 150k @myXLCare
Halo @myXLCare saya ingin aktivasi nomor XL saya yg telah
hangus, bagaimana langkah2 nya ?
Otw ganti provider xl emng paling gak jelas @myXLCare
Knapa sih XL suka seenaknya motongin pulsa, sampe gk ngeh
trnyata ada paket paket gajelas kaya ringtone dan sms apa gt
kepotong tiap minggu @myXLCare
Maksudnya kuota lifestyle apa ya min? @myXLCare
https://t.co/9FehKxSdkd
Halo @myXLCare boleh tahu kenapa sinyal bapuk banget daerah
lenteng agung? padahal udah 4G lho, masa browsing google aja
ngga bisa?? https://t.co/wCxJB1NtrJ

Output 1 Scrapping Data

25
 LAPORAN KERJA PRAKTIK
PT XL AXIATA TBK
JAKARTA

b'Sayang.... kamu kok gada sinyal pas malam hari hingga jam 05.53 ya, padahal
udah pilih paket xl prioritas, dulu kamu ga begini tp skrg berubah, lumayan loh
sebulan 150k @myXLCare'
b'Halo @myXLCare saya ingin aktivasi nomor XL saya yg telah hangus,
bagaimana langkah2 nya ?'
b'Otw ganti provider xl emng paling gak jelas @myXLCare'
b'Knapa sih XL suka seenaknya motongin pulsa, sampe gk ngeh trnyata ada paket
paket gajelas kaya ringtone dan sms apa gt kepotong tiap minggu @myXLCare'
b'Maksudnya kuota lifestyle apa ya min? @myXLCare https://t.co/9FehKxSdkd'
b'Halo @myXLCare boleh tahu kenapa sinyal bapuk banget daerah lenteng
agung? padahal udah 4G lho, masa browsing google aja ngga bisa??
https://t.co/wCxJB1NtrJ'

Data 1 Hasil Scrapping yang disimpan di CSV

Proses pengambilan data yang didapatkan dari tanggal 9 Juli 2018

hingga 20 Juli 2018 adalah sebanyak 660 data tweet.

4.3 Pre-processing Data

Setelah mendapatkan tweet yang masih dalam bentuk utuh, maka harus lah
di proses terlebih dahulu agar lebih mudah untuk melakukan klasifikasi
sentimen nya. Beberapa proses awal sebelum mengklasifikasikan sentiment
atau yang biasa di sebut dengan Normalization Text. Tahapan tersrbut
adalah sebagai berikut.

4.3.1 Lowercase
Seringkali memodifikasi huruf atau kalimat untuk
mempermudah mencocokkan kata atau token tertentu. Biasanya ada
dua jenis operasi konversi kasus yang banyak digunakan. Ini adalah
konversi huruf kecil dan huruf besar, di mana kata dikonversi
sepenuhnya menjadi huruf kecil atau huruf besar.
Pada proses ini yang di gunakan adalah perubahan data teks tweet
menjadi huruf kecil semua.

def lowercase(string):
return string.lower()

Kode 2 Mengubah kata menjadi huruf kecil

26
 LAPORAN KERJA PRAKTIK
PT XL AXIATA TBK
JAKARTA

4.3.2 Menghapus URL

Data tweet yang sudah ada mengandung banyak token dan
karakter Asing dan tidak perlu, yang harus dihapus sebelum
melakukan proses lebih lanjut seperti tokenization atau teknik
normalisasi. Ini termasuk mengekstraksi teks yang bermakna dari
sumber data seperti data HTML, yang terdiri dari tag HTML yang
tidak perlu, atau bahkan data dari umpan XML dan JSON seperti
emotikon. Ada banyak cara untuk menghilangkan dan membersihkan
data ini untuk menghapus yang tidak perlu.
Dalam kasus ini menggunakan beautyful soup untuk hanya
mengambil bentuk text dari tweet yang telah di miliki

tok = WordPunctTokenizer()
pat1 = r'@[A-Za-z0-9_]+'
pat2 = r'https?://[A-Za-z0-9./]+'
pat3 = r'#[A-Za-z0-9]+'
pat4 = r'\[A-Za-z0-9]+'
combined_pat = r'|'.join((pat1, pat2, pat3,pat4))

def url_clean(a):
soup = BeautifulSoup(a, 'lxml')
souped = soup.get_text()
stripped = re.sub(combined_pat, '', souped)
try:
clean = stripped.decode("utf-8-
sig").replace(u"\ufffd", "?")
except:
clean = stripped
return (" ".join(clean)).strip()

Kode 3 Menghapus URL

Kode 3 untuk menghapus URL, mention, dan hastag.

4.3.3 Penghapusan Tanda Baca, Simbol, dan Angka

Salah satu hal penting dalam normalisasi teks adalah
menghilangkan karakter yang tidak perlu dan karakter khusus/special
. Ini mungkin simbol khusus atau bahkan tanda baca yang muncul
dalam kalimat. Alasan utama untuk melakukannya adalah karena

27
 LAPORAN KERJA PRAKTIK
PT XL AXIATA TBK
JAKARTA

sering tanda baca atau karakter khusus tidak memiliki banyak arti
ketika kita menganalisis teks dan menggunakannya untuk
mengekstraksi fitur atau informasi berdasarkan NLP dan ML.

def tweet_cleaner(a):
b = re.sub("[^a-zA-Z]", " ", a)
return b

Kode 4 Menghapus Tanda Baca,Simbol, dan Angka

Kode 4 menghapus tanda baca, simbol dan angka atau dengan kata
lain hanya mengambil kata saja.

4.3.4 Menghapus Huruf yang Berulang

def tweet_cleaner(a):
c = re.sub(r'(.)\1{2,}', r'\1\1',a)
return c

Kode 5 Menghapus Huruf yang Berulang

Kode 5 menjelaskan proses penghapusan huruf yang berulang. Pada

proses ini dibatasi untuk setiap huruf hanya boleh berulang dua kali.
Contoh kata ‘leeeeemmmmoooot’ akan menajadi ‘leemmoot’.

4.3.5 Tokenizing
Tokenisasi kata adalah proses pemisahan atau pengelompokan
kalimat menjadi kata-kata pokoknya. Kalimat adalah kumpulan kata-
kata, dan dengan tokenization kita pada dasarnya membagi kalimat
menjadi daftar kata yang dapat digunakan untuk merekonstruksi
kalimat. Tokenisasi kata sangat penting dalam banyak proses,
terutama dalam membersihkan dan menormalkan teks di mana operasi
seperti stemming dan lemmatization bekerja pada setiap kata
berdasarkan pada masing-masing kata.

from nltk.tokenize import word_tokenize

tokenized_sents = [word_tokenize(i) for i in test_result]
for i in tokenized_sents:
print (i)

28
 LAPORAN KERJA PRAKTIK
PT XL AXIATA TBK
JAKARTA

Kode 6 Tokenizing

['gan', 'sinyal', 'xl', 'bundaku', 'jelek', 'nih',

'kita', 'jadi', 'gabisa', 'mabar', 'mana', 'gua', 'lagi',
'kgn', 'lagi', 'menyebalkan', 'kan', 'ya', 'iya', 'ga',
'sih', 'ya', 'iyalah']
['ahilah', 'prioritas', 'sayang', 'jaringan', 'payah']
['xl', 'gangguan', 'gimana', 'erornya']
['kampang', 'jaringan', 'jelek']
['boy', 'jaringan', 'diumpetin', 'tolong']
['terima', 'kasih', 'kecepatan', 'respon']
['jaringan', 'xl', 'bar', 'speed', 'internet', 'mantapp']

Output 2 Tokenizing

4.3.6 Mengkoreksi Kata-Kata

Karena data yang di ambil adalah data tweet yang merupakan
bahasa yang bukan bahasa baku, proses mengkoreksi kata-kata sangat
lah penting. Perbedaan satu huruf saja dalam suatu kata program yang
dibuat bisa menganggap kata tersebut merupakan kata yang berbeda.
Kata-kata yang salah mencakup kata-kata yang memiliki kesalahan
ejaan serta kata-kata yang disingkat. Untuk mengilustrasikan beberapa
contoh, kata ‘jelek’ akhirnya dapat keliru ditulis seperti ‘jelel’. Disini
mempunyai Dictionary sendiri yang dibuat secara manual. Tujuan
utama di sini adalah untuk menyatukan berbagai bentuk kata-kata ini
ke bentuk yang benar sehingga kita tidak akan kehilangan informasi
penting dari token yang berbeda dalam teks. Bagian ini membahas
tentang berurusan dengan karakter yang diulang serta mengoreksi
ejaan. Meskipun keterbatasan pengkoreksian kata karena terlalu
randomnya kata-kata yang digunakan setiap orangnya

d = {}
with open("dictionary.txt") as text:
for line in text:
if line.strip():
key, val = line.split(None, 1)
d[key]=val.split()

Kode 7 Membaca Dictionary

29
 LAPORAN KERJA PRAKTIK
PT XL AXIATA TBK
JAKARTA

Kode 7 untuk membaca Dictionary. Dictionary adalah stuktur data

yang bentuknya seperti kamus. Ada kata kunci kemudian ada
nilaninya. Kata kunci harus unik, sedangkan nilai boleh diisi denga
apa saja.
{'tidak': ['gak', 'gk', 'tdk', 'gx', 'ga', 'nggak',
'enggak', 'g', 'engga', 'ngga', 'tyda', 'tydac', 'tydak',
'ngak', 'ngk', 'kagak', 'nggk'],
'lihat': ['lihay', 'liht', 'lhat', 'lht'],
'sedikit': ['dikit', 'sdkt', 'sdikit', 'sdkit'],
'sebelum': ['sblm', 'sbelum', 'sblum', 'seblum','sebelm'],
'paket': ['pkt', 'pket', 'pakt']}

Output 3 Dictionary

def mencaritypo(kata):
for key in d:
list1=d.get(key)
if kata in list1:
return key
return kata

Kode 8 Mencari Kata Typo

Kode 8 untuk mencari kata typo dan akan mengembalikan kuncinya.

def replacetypo(tupel):
temp_data=[]
for kalimat in tupel:
temp_kalimat=[]
for kata in kalimat:
lit=kata.replace(kata, mencaritypo(kata))
temp_kalimat.append(lit)
temp_data.append(temp_kalimat)
return temp_data

Kode 9 Mengganti Kata Typo

Kode 9 mengganti kata yang typo. Kata yang didapat pada kode 8
akan diganti pada kode 9.

30
 LAPORAN KERJA PRAKTIK
PT XL AXIATA TBK
JAKARTA

4.3.7 Menghilangkan Stopword

Stopwords, adalah kata-kata yang memiliki signifikansi sedikit
atau tidak sama sekali. Kata-kata tersebut biasanya dihapus dari teks
selama pemrosesan untuk mempertahankan kata-kata yang memiliki
signifikansi dan konteks yang penting. Stopwords biasanya kata-kata
yang paling sering muncul jika mengumpulkan kumpulan teks
berdasarkan token tunggal dan memeriksa frekuensinya. Kata-kata
seperti sebuah, ini, itu, dan sebagainya adalah kata-kata penghenti.
Tidak ada daftar stopword universal atau lengkap. Setiap domain atau
bahasa mungkin memiliki set stopwords sendiri.
Dalam hai ini memanfaatkan penggunaan library Sastrawi, yang
memiliki daftar kata kunci untuk bahasa Indonesia, meskipun sangat
terbatas karena penggunaan bahasa indonesia.

def stopWord(tupel):
temp_data=[]
for kalimat in tupel:
temp_kalimat=[]
for kata in kalimat:
lit=str.remove(kata)
if(lit!=''):
temp_kalimat.append(lit)
temp_data.append(temp_kalimat)
return temp_data

Kode 10 Menghilangkan Stopword

Kode 10 untuk menghilangkan stopword menggunakan library

Sastrawi.
'membelikan paket data via aplikasi myxl nomor ',
'dear baca dm terimakasih ',
'kesal banget lemot daerah jakarta timur peningkatan
melulu daerah ',
'jaringan gangguan luas gangguannya rajin tiarap
nkenapa ',
'ahilah prioritas sayang jaringan payah ',
'xl gangguan gimana erornya'

Data 2 Hasil Pre-processing yang disimpan di CSV

31
 LAPORAN KERJA PRAKTIK
PT XL AXIATA TBK
JAKARTA

Data dari hasil pre-processing adalah sebanyak 568 data tweet.

4.4 Pelabelan
Membuat machine learning harus membuat data set yang
merupakan data tweet yang sudah ada dan melalui pre-processing.
Kekurangan pelabelan secara manual ini rawan dengan adanya
subjektivitas. Namun untuk mengurangi subjektivitas, pelabelan di
lakukan oleh 3 orang yaitu Ramadhani Prasyanto, Nida Nabilah N.L
dan Inayah Eka Firdausi. Data yang akan dilabelin sebanyak 568 data.
text label
membelikan paket data via aplikasi myxl nomor 1
dear baca dm terimakasih 1
kesal banget lemot daerah jakarta timur peningkatan melulu daerah -1
jaringan gangguan luas gangguannya rajin tiarap nkenapa -1
Tabel 3 Hasil Pelabelan

Tabel 3 adalah hasil pelabelan dengan keterangan negatif dengan

label -1, dan positif dengan label 1.

Sentimen Jumlah data tweet

Positif 171
Negatif 397
Tabel 4 Perbandingan Jumlah Data pada Kelas Sentimen

Tabel 4 menunjukkan bahwa jumlah tweet negatif memiliki frekuensi

yang lebih tinggi dibandingankan dengan tweet postif.

4.5 TF-IDF

from sklearn.model_selection import train_test_split

X_train, X_test, y_train, y_test=train_test_split(df['text'],

df['lable'], random_state=1)

Kode 11 Membagi data test dan data train

Kode 11 untuk membagi data test dan data train secara acak dengan
perbandingan 80:20. Perbandingan ini merupakan default dari library
sklearn.

32
 LAPORAN KERJA PRAKTIK
PT XL AXIATA TBK
JAKARTA

Data Jumlah data tweet

Data Train 426
Data Test 142
Tabel 5 Perbandingan Data Train dan Data Test

from sklearn.feature_extraction.text import TfidfVectorizer

vect = TfidfVectorizer(min_df=5).fit(X_train)
len(vect.get_feature_names())

Kode 12 TF-IDF

Kode 12 adalah mengubah kata menjadi vector, dan hanya kata dengan
minimal 5 kali kemunculan yang akan diambil. Dan didapat 134 kata yang
frekuensi kemunculannya lebih dari sama dengan 5.

pd.DataFrame(vect.fit_transform(X_train).toarray(),
columns=vect.get_feature_names())

Kode 13 Menampilkan TF-IDF

admin airplane akses aktif apapun bagus banget

0 0.0 0.000000 0.000000 0.000000 0.000000 0.707107 0.000000

1 0.0 0.000000 0.000000 0.000000 0.000000 0.000000 0.000000
2 0.0 0.000000 0.000000 0.000000 0.000000 0.000000 0.000000
3 0.0 0.000000 0.000000 0.000000 0.000000 0.000000 0.000000
4 0.0 0.370312 0.349876 0.000000 0.000000 0.000000 0.000000
5 0.0 0.000000 0.000000 0.000000 0.000000 0.000000 0.000000
Tabel 6 Hasil TF-IDF

Tabel 6 hasil tf-idf yaitu membobotkan kata dari seluruh dataset.

33
 LAPORAN KERJA PRAKTIK
PT XL AXIATA TBK
JAKARTA

Berikut merupakan kata yang paling banyak muncul dalam data

tweet dalam bentuk word cloud.

Gambar 5 Word Cloud Tweet Negatif

Gambar 6 Word Cloud Tweet Positif

34
 LAPORAN KERJA PRAKTIK
PT XL AXIATA TBK
JAKARTA

4.6 Implementasi SVM

from sklearn.svm import LinearSVC
from sklearn.metrics import roc_auc_score

X_train_vectorized = vect.transform(X_train)

model = LinearSVC()
model.fit(X_train_vectorized, y_train)

predictions = model.predict(vect.transform(X_test))

print('AUC: ', roc_auc_score(y_test, predictions))

Kode 14 Implementasi SVM

Kode 14 merupakan implementasi SVM sehingga didapat akurasi

sebesar 0.7687258687258687.

4.6.1 Prediksi Label

import csv

tr =
pd.read_csv('cleantesting.csv',header=None,names=['text'])
def testing_result(text):
result_label = model.predict(vect.transform([text]))
return result_label[0]

tr['new_label'] = tr['text'].apply(lambda t:
testing_result(t))
tr

Kode 15 Prediksi Label

35
 LAPORAN KERJA PRAKTIK
PT XL AXIATA TBK
JAKARTA

Gambar 7 Hasil Prediksi Label

36
 LAPORAN KERJA PRAKTIK
PT XL AXIATA TBK
JAKARTA

BAB V
PENUTUP
5.1. Kesimpulan
Kesimpulan yang didapatkan dari proses pengerjaan tugas kerja
praktek yang telah dilakukan antara lain :
1. Pada proses penyimpanan data scrapping ke dalam csv seharusnya
menggunakan tweet.encode('utf-8') untuk mengkonvert URL menjadi
lebih rapi.
2. Pada pre-processing data tidak menggunakan stemming, karena
stemming pada library Sastrawi mengubah kata penting ‘lemot’
menjadi ‘lot’. Pada proses pembersihan data juga belum bersih.
3. Pada proses tf-idf mendapatkan hasil array yang besar karena
banyaknya varian kata karena data belum benar-benar bersih sehingga
bobot kata menjadi kecil.
4. Akurasi yang didapat dari algoritma SVM adalah sebesar
0.7687258687258687
5.2. Saran
Pada proses pelabelan seharusnya 3 anotator. Masing-masing
anotator akan memberikan label pada tweet dengan tujuan
mempertimbangkan asumsi masing-masing anotator. Untuk
mendapatkan label akhir dari masing-masing tweet apabila dua orang
atau lebih memilih label yang sama, maka label akhirnya adalah
berdasarkan pemilihan tersebut.

37
 LAPORAN KERJA PRAKTIK
PT XL AXIATA TBK
JAKARTA

“Halaman ini sengaja dikosongkan”

38
 LAPORAN KERJA PRAKTIK
PT XL AXIATA TBK
JAKARTA

DAFTAR PUSTAKA
[1] Databoks. 2017. “Pengguna Ponsel Indonesia Mencapai 142% dari
Populasi,” [Online]. Available:
https://databoks.katadata.co.id/datapublish/2017/08/29/pengguna-
ponsel-indonesia-mencapai-142-dari-populasi. [Diakses 25 January
2019].
[2] Liu, B., 2012. Sentiment Analysis and Opinion Mining. San Rafael:
Morgan & Claypool Publishers
[3] “Sentiment Analysis and Opinion Mining. San Rafael,” 2012.
[4] Ali, F., Kwak, K., dan Kim, Y. 2016. Opinion mining based on fuzzy
domain ontology and Support Vector Machine: A proposal to
automate online review classification. Elsevier. 47:235-250
[5] D. Y. Praptiwi. 2018. “Analisis sentimen online review pengguna e-
commerce menggunakan metode support vector machine dan
maximum entropy,” Yogyakarta.
[6] V. Singh dan S. K. Dubey. “Opinion mining and analysis : a
literature review”.
[7] XL Axiata. [Online]. Available:
https://www.xlaxiata.co.id/perusahaan-kami. [Diakses 18 Mei 2019].
[8] XL Axiata. [Online]. Available:
https://www.xlaxiata.co.id/id/perusahaan-kami/tentang-
kami/perjalanan-kami. [Diakses 18 Mei 2019].
[9] XL Axiata. [Online]. Available:
https://www.xlaxiata.co.id/id/perusahan-kami/tentang-kami.
[Diakses 18 Mei 2019].
[10] M. Bonzanini. 2016. 'Mastering Sosial Media Mining with Python,
Birmingham: Packt.
[11] A. C. Pandey, M. Saraswat dan D. S. Rajpoot. 2017. “Twitter
sentiment analysis using hybrid cuckoo search method,” elsevier, vol.
53, pp. 764-779.
[12] P. Dangeti. 2017. "Statistic for Machine Learning", Birmingham:
Pact.
[13] A. s., “Text Mining for Biology and Biomedicine”.

39
 LAPORAN KERJA PRAKTIK
PT XL AXIATA TBK
JAKARTA

[14] S. Ananiadou dan J. McNaught. 2006. "Text Mining for Biology and
Biomedicine", Boston and London: Artech House.
[15] F. Christianini dan S. T. Jhon. 2000. "An introduction to support
vector machines and other kernel-based learning methods",
Cambridge: Cambridge University Press.

40
 LAPORAN KERJA PRAKTIK
PT XL AXIATA TBK
JAKARTA

BIODATA PENULIS

Inayah Eka Firdausi atau biasa dipanggil Inayah

lahir di Jember tanggal 8 Februari 1997.
Pendidikan formal yang pernah ditempuh yaitu
TK Dharma Wanita, SDN Lembengan 1, SMP
Negeri 1 Kalisat dan SMA Negeri 2 Jember.
Sekarang penulis menempuh pendidikan S1 di
Departemen Matematika Fakultas Matematika, Komputasi dan Sains
Data Institut Teknologi Sepuluh Nopember Surabaya dengan bidang
minat Ilmu Komputer. Selama kuliah, penulis aktif di organisasi di
tingkat Institut yaitu BEM ITS dan tingkat jurusan yakni
HIMATIKA ITS. Pada tahun 2016-2017 penulis menjadi anggota
aktif HIMATIKA ITS sebagai staff External Affair dan staff
Adkesma BEM ITS. Pada tahun 2017-2018 penulis hanya aktif di
HIMATIKA ITS dengan mengemban amanah sebagai Second Vice
of HIMATIKA ITS. Demikian biodata tentang penulis. Jika ingin
memberikan saran, kritik, dan diskusi mengenai laporan kerja
praktik ini, dapat dikirimkan melalui email inayahekaf@gmail.com.
Terimakasih.

41