際際滷 Presentation Final Project (S1)
Download as pptx, pdf1 like361 views
Dokumen ini membahas analisis sentimen terhadap acara televisi berdasarkan opini publik melalui data Twitter. Metode yang digunakan meliputi preprocessing data, ekstraksi fitur, dan klasifikasi menggunakan Naive Bayes. Hasil bertujuan untuk mengevaluasi kualitas program televisi dan menghasilkan alat evaluasi bagi stasiun televisi.
![Convert Emoticon
:-) :) :o) :] :3 :c) :> =] 8) =) :} :^) :) [:=8][-oc^]?[)>]3}pP]+ Senang
:-D :D 8-D 8D x-D xD X-D XD =-D =D =-3
=3 B^D
[:8xX=B][-^]?[D3)]+ Ketawa
:-|| :@ >:( [:>][-:]?[|(@]+ Benci
:$ >:[ :-( :( :-c :c :-< :C :< :-[ :[ :{ ;( :'-
( :'(D:< D: D8 D; D= DX v.v D-':
[>:][-:.]?[[(c<{C$|]+ Kecewa
<3 ;-) ;) *-) *) ;-] ;] ;D ;^) :-, [<:;][^-]?[3*)D],] Suka
損 Before : Perasaan kemaren nntn yks live ga seru deh:( paling
atas sih
損 After : Perasaan kemaren nntn yks live ga seru deh kecewa
paling atas sih](https://image.slidesharecdn.com/slidesidang-141014060205-conversion-gate02/85/際際滷-Presentation-Final-Project-S1-10-320.jpg)
際際滷 Presentation Final Project (S1)
- 1. Analisis Sentimen Terhadap Acara Televisi Berdasarkan Opini Publik JURUSAN TEKNIK INFORMATIKA FAKULTAS TEKNIK DAN ILMU KOMPUTER UNIVERSITAS KOMPUTER INDONESIA BANDUNG 2014 Aditia Rakhmat Sentiaji - 10110139 Penguji 1 : Dian Dharmayanti S.T.,M.Kom. Penguji 2 : Adam Mukharil Bachtiar S.Kom.,M.T. Penguji 3 : Rani Susanto S.Kom.,M.Kom.
- 2. 裡 Stasiun Televisi = 裡 Program Televisi 裡 Program Televisi 裡 Kualitas
- 3. seringkali ditampilkan acara yang melanggar norma kesopanan melecehkan orang, menggunakan bahasa kasar dan menggunakan anak dalam setingan film yang tidak pantas. Nina Mutmainah Armando Anggota Komisioner KPI
- 4. Membuat referensi acara televisi Membuat alat evaluasi bagi stasiun televisi
- 6. Sumber Data Pengguna twitter di Indonesia sebanyak 賊 20 juta
- 7. GAMBARAN SISTEM Twitter Basis data Preprocessing Training Fitur Preprocessing Testing 1 2 3 5 6 7 8 9 4
- 8. CRAWLING TWEET Memanfaatkan API Twitter Menggunakan library twitter4J
- 9. Convert Emoticon Stopping Stemming PREPROCESSING Case Folding Cleansing Tokenizing Convert Negation
- 10. Convert Emoticon :-) :) :o) :] :3 :c) :> =] 8) =) :} :^) :) [:=8][-oc^]?[)>]3}pP]+ Senang :-D :D 8-D 8D x-D xD X-D XD =-D =D =-3 =3 B^D [:8xX=B][-^]?[D3)]+ Ketawa :-|| :@ >:( [:>][-:]?[|(@]+ Benci :$ >:[ :-( :( :-c :c :-< :C :< :-[ :[ :{ ;( :'- ( :'(D:< D: D8 D; D= DX v.v D-': [>:][-:.]?[[(c<{C$|]+ Kecewa <3 ;-) ;) *-) *) ;-] ;] ;D ;^) :-, [<:;][^-]?[3*)D],] Suka 損 Before : Perasaan kemaren nntn yks live ga seru deh:( paling atas sih 損 After : Perasaan kemaren nntn yks live ga seru deh kecewa paling atas sih
- 11. Cleansing Mention @S* Check in (@s.*) URL S+.com*(.)*(id)*/S+|S+.ww/S+ Aposthrope W+ 損 Before : RT @PratamaDhidien: Kampanye Negatif ala TV One http://t.co/uMvPpwQJyG via @kompasianandasarr tv oon 損 After : RT Kampanye Negatif ala TV One via tv oon
- 12. Case Folding 損Merubah semua karakter menjadi lower case 損Contoh : 損 Before : RT Kampanye Negatif ala TV One via tv oon 損 After : rt kampanye negatif ala tv one via tv oon
- 13. Convert Negation 損Merubah kata yang diawali kata negasi 損 Kata negasi : kurang, tidak, enggak, ga, nggak, tak, dan gak 損Contoh 損 Before : jadi ga seru ahh di YkS sekarang ada hipnotis... 損 After : jadi ga_seru ahh di yks sekarang ada hipnotis...
- 14. Tokenizing 損Memecah dokumen (tweet) menjadi perkata(token) berdasarkan spasi yang memisahkan. 損Contoh 損 Before : jadi ga seru ahh di yks sekarang ada hipnotis 損 After : jadi ga seru ahh di yks sekarang ada hipnotis
- 15. Stopping 損Menghapus kata yang termasuk ke dalam stoplist 損Contoh 損 Before : jadi ga seru ahh di yks sekarang ada hipnotis 損 After : ga seru yks hipnotis
- 16. Stemming 損Mengembalikan bentuk dasar dari kata yang memiliki imbuhan 損 Contoh 損 Before : ga seru yks malam ini, hipnotistnya garing @YuKeepSmile_TTV 損 After : ga seru yks malam ini, hipnotist garing @YuKeepSmile_TTV
- 17. Na誰ve Bayes Classifier TRAINING Membentuk Fitur Menghitung probabilitas kelas Menghitung Frekuensi Fitur
- 18. Membentuk Fitur Telah disiapkan 8 data latih sebagai berikut : Tweet Kategori Fitur Acara di tv monoton... nyari orgen tunggal tlh negatif Monoton (1) Perasaan kemaren nntn yks live ga seru deh:( paling atas sih negatif ga_seru (1), kecewa (1) Seneng bgt km bsnbergabung di Junior MasternChef lagi! @Nicole_JrMCInSemangat Nicole :) positif Senang (2) Apa ngga bosen tiap hari liat yks negatif Bosen (1) RT @RMAdhyatma: Kalo nonton acara "INDONESIA LAWAK KLUB" ketawa ngakak terus :D @LawakKlubTrans7 @trans7channel @TRANS7 positif Ketawa (2), ngakak (1) Ini acara tv monoton bgt :( negatif Monoton (1), kecewa (1) Mata najwa, now on metro tv! Topiknya bagus.. positif Bagus (1) Indonesia lawak klub (ilk) bikin ngakak =)) positif Ngakak(1), senang(1)
- 19. Menghitung probabilias Kelas p = ( ) || Keterangan : fd(ci) = Jumlah dokumen yang termasuk ci |D| = Jumlah data latih / jumlah tweet
- 20. Menghitung Probabilitas Kelas Kelas Sentimen (c) Data(i) fd() p d1 d2 d3 d4 d5 d6 d7 d8 Positif 0 0 1 0 1 0 1 1 4 4/8 negatif 1 1 0 1 0 1 0 0 4 4/8
- 21. Menghitung Frekuensi Fitur ろ = ろ , + 1 + || Keterangan : ろ , = Nilai kemunculan kata ろ pada kelas = Jumlah keseluruhan kata pada kelas Vj || = Jumlah keseluruhan dari ろ
- 22. Menghitung Frekuensi Fitur ろ″ ″ = ろ″ ″ = Kelas Sentimen p ろ″,″ +1 ″ +|| ろ″,″ +1 ″ +|| ろ = 0+1 8+8 = 1 16 = 2+1 6+8 = 3 14 monoton ga_seru kecewa senang bosen ketawa ngakak bagus Positif 遜 1/16 1/16 1/16 3/16 1/16 3/16 3/16 2/16 Negatif 遜 3/14 2/14 3/14 1/14 2/14 1/14 1/14 1/14
- 23. Na誰ve Bayes Classifier TESTING = p(wk | c) x p(c) positif,negatif
- 24. Data Baru : dirumah banjir KETAWA :-D :-D @Ini_Talkshow :-* ? preprocessing : dirumah banjir ketawa ketawa ketawa senang 渚 = ″ ろ ″ x ろ ″ x ろ″ろ ″ x ろ″ろ ″ x ろ″ろ ″ x ろ ″ = 1 2 1 16 1 16 3 16 3 16 3 16 2 16 = 3017,48 x 10-10 渚 = ろ ″ x ろ ″ x ろ″ろ ″ x ろ″ろ ″ x ろ″ろ ″ x ろ ″ = 1 2 1 14 1 14 1 14 1 14 1 14 1 14 = 47,43 x 10-10
- 25. PERCENTAGE SPLIT
- 26. Percentage Split Data Data 1 40% Data 2 60% Data Testing Data Training Split
- 27. Percentage Split Data Testing Training @OVJ_Trans7 gak seru, gak lucu.! Kalo gak ada kang @sule_ovj @OVJ_Trans7 gak ada #Sule udah gak lucu , Garingg bgt sekarang .. Huekkkk @DEV0TEES bentar lg ada Rising Star Indonesia :-) bakal lebih bagus dr Idol deh,, YKS ga ada kang wendi, Ga seru aah :( @WCIndonesia ILK (Indonesia lawak klub) bikin ngakak :D :D Sebelum #jum'atan stay di trans7 lihat video2 lucu ala @CCTV_T7
- 28. Percentage Split Data Training @OVJ_Trans7 gak seru, gak lucu.! Kalo gak ada kang @sule_ovj @OVJ_Trans7 gak ada #Sule udah gak lucu , Garingg bgt sekarang .. Huekkkk ILK (Indonesia lawak klub) bikin ngakak :D :D Sebelum #jum'atan stay di trans7 lihat video2 lucu ala @CCTV_T7 Data 壌, Kelas Sentimen (c) Positif Negatif ga_seru 0+1 4+4 = 1 8 2+1 3+4 = 3 7 ga_lucu 0+1 4+4 = 1 8 2+1 3+4 = 3 7 ketawa 2+1 4+4 = 3 8 0+1 3+4 = 1 7 lucu 1+1 4+4 = 2 8 0+1 3+4 = 1 7 ngakak 1+1 4+4 = 2 8 0+1 3+4 = 1 7 Fitur
- 29. Percentage Split Data Testing @DEV0TEES bentar lg ada Rising Star Indonesia :-) bakal lebih bagus dr Idol deh,, YKS ga ada kang wendi, Ga seru aah :( @WCIndonesia = p(ci)p("yks"|ci)p("ga_ada"| positif,negatif ci) p("kang"| ci) p("wendi"| ci) p("ga_lucu"| ci) ″ = 1 2 1 7 1 7 1 7 1 7 2 7 = 0.00006 ″ = 1 2 1 8 1 8 1 8 1 8 1 8 = 0.000015 = p(ci)p("bentar"|ci)p("rising" positif,negatif | ci) p("star"| ci) p("indonesia"| ci) p(ketawa"| ci) p("lebih"| ci) p("bagus"| ci) p("idol"| ci) ″ = 1 2 1 7 1 7 1 7 1 7 1 7 = 0.000030 ″ = 1 2 1 8 1 8 1 8 1 8 1 8 = 0.000015 Akurasi = 渚 牛 渚 訣″ ″ x 100 Akurasi = 1 2 x 100 = 50%
- 30. ANALISIS SISTEM
- 31. USE CASE
- 32. DIAGRAM ACTIVITY DATA TRAINING
- 33. DIAGRAM ACTIVITY DATA TRAINING
- 34. CLASS DIAGRAM
- 36. SEQUENCE DIAGRAM DATA TRAINING
- 37. SEQUENCE DIAGRAM DATA TESTING
- 38. SEQUENCE DIAGRAM CROSS VALIDATION
- 40. Data Training
- 41. Data Testing
- 42. Pengujian Sistem Black Box (Equivalence Partitioning) Black Box (Sample Testing) White Box
- 43. Black Box Equivalence Partitioning Diterima
- 44. White Box Cyclometic Complexity Jumlah Region Predicate Node Graph Matrix V(G) = 9
- 46. KESIMPULAN
- 47. Analisis sentimen dapat dijadikan sebagai alat untuk mengklasifikasikan opini publik mengenai acara televisi Hasil pengklasifikasian analisis sentiment mengenai acara televisi dapat dijadikan referensi untuk menonton acara televisi dan dapat menjadi masukan bagi pihak statisun televisi
- 48. SARAN
- 49. Penambahan Sumber Data Efisiensi Program Filter Opini
- 50. TERIMA KASIH