... | ... | @@ -23,7 +23,7 @@ Sentimen ini dibuat dengan memanfaatkan bahasa pemograman R dan |
|
|
|
|
|
**Instalasi**
|
|
|
|
|
|
Software yang dibutuhkan
|
|
|
1. Software yang dibutuhkan
|
|
|
|
|
|
1. R-Software version 3.3.2
|
|
|
|
... | ... | @@ -31,7 +31,7 @@ Software yang dibutuhkan |
|
|
|
|
|
3. Aplikasi browser seperti Mozilla Firefox atau Google Chrome
|
|
|
|
|
|
Tahap Instalasi Aplikasi
|
|
|
2. Tahap Instalasi Aplikasi
|
|
|
|
|
|
1. Install software yang dibutuhkan, Software R-Softwaredapat diunduh
|
|
|
melalui <https://cran.r-project.org/bin/windows/base/old/3.3.2/> dan
|
... | ... | @@ -62,83 +62,60 @@ Tahap Instalasi Aplikasi |
|
|
> terlebih dahulu kemudian gunakan fungsi
|
|
|
> devtools::install\_github(“nurandi/katadasaR”).
|
|
|
|
|
|
<img src="media/image1.png" width="529" height="331" />
|
|
|
|
|
|
1. Buka fail ui.R atau server.R kemudian klik *Run App*.
|
|
|
|
|
|
2. Jika Ingin membukan aplikasi lewat halaman browser maka klik *Open
|
|
|
2. Jika ingin membukan aplikasi lewat halaman *browser* maka klik *Open
|
|
|
in Browser*.
|
|
|
|
|
|
3. Proses instalasi selesai.
|
|
|
|
|
|
**Panduan Penggunaan**
|
|
|
**anduan Penggunaan Untuk User**
|
|
|
|
|
|
<!-- -->
|
|
|
|
|
|
1. Import data.
|
|
|
1. *Import* data.
|
|
|
|
|
|
*Import* data adalah tahap paling awal yang harus dilakukan untuk
|
|
|
bisa melakukan analisis. Alur untuk meng-*import* data dimulai
|
|
|
dengan menekan tombol *Import Data* kemudian akan ada tombol untuk
|
|
|
*upload* data serta plihan *header* dan *separator* seperti pada
|
|
|
gambar 2. Pengguna harus menekan tombol *choose file* kemudian
|
|
|
pengguna menentukan direktori dimana *file* yang akan di-*import*
|
|
|
berada dan memilih file yang memiliki format csv seperti pada
|
|
|
gambar 3. Program akan membaca file yang telah dipilih
|
|
|
dan menampilkannya.
|
|
|
|
|
|
<img src="media/image2.png" width="207" height="344" />
|
|
|
|
|
|
<img src="media/image3.png" width="529" height="356" />
|
|
|
*upload* data serta plihan *header* dan *separator*. Pengguna harus
|
|
|
menekan tombol *choose file* kemudian pengguna menentukan direktori
|
|
|
dimana *file* yang akan di-*import* berada dan memilih file yang
|
|
|
memiliki format csv seperti pada gambar 2. Program akan membaca file
|
|
|
yang telah dipilih dan menampilkannya.
|
|
|
|
|
|
> Pengguna dapat mengatur parameter ketika meng-*upload* data. Checklist
|
|
|
> *header* apabila baris pertama merupakan *header* dan abaikan jika
|
|
|
> baris pertama merupakan data twit. Pengguna juga dapat memilih
|
|
|
> *separator* yang digunakan untuk memisahkan data pada file csv yang
|
|
|
> di*input*. Pilihan *separator* adalah *comma* (,), *semicolon* (;),
|
|
|
> *tab*, dan *space* ( ).
|
|
|
>
|
|
|
> <img src="media/image4.png" width="529" height="348" /><img src="media/image5.png" width="529" height="357" />
|
|
|
>
|
|
|
> <img src="media/image6.png" width="131" height="109" />
|
|
|
> *tab*, dan *space* ( ). Klik OK jika semua parameter import data sudah
|
|
|
> sesuai, kemudian program akan menyimpan fail dan jika membuka tab
|
|
|
> hasil akan ditampilkan jumlah baris dan jumlah kolom data yang telah
|
|
|
> diimport.
|
|
|
|
|
|
1. Preprocessing.
|
|
|
|
|
|
Pengguna dapat menentukan tahapan *preprocessing* apa saja
|
|
|
yang diperlukan. Ada empat tahapan preprocessing yaitu *cleaning*,
|
|
|
*casefolding*, penghilangan *stopword*, dan *stemming*. Pengguna
|
|
|
dapat menggunakan salah satu atau semua tahap preprocessing yang ada
|
|
|
dengan memberi checklist pada tahapan yang diinginkan.
|
|
|
|
|
|
<img src="media/image7.png" width="132" height="150" />
|
|
|
|
|
|
<img src="media/image8.png" width="529" height="352" /><img src="media/image9.png" width="529" height="359" />
|
|
|
|
|
|
> Dalam memilih tahap preprocessing, pengguna menekan tombol
|
|
|
> preprocessing terlebih dahulu, kemudian akan muncul beberapa pilihan
|
|
|
> tahap preprocessing. Pengguna memilih dengan mencentang pada tahapan
|
|
|
> yang dinginkan. Setelah itu program akan mengolah data dan setelah
|
|
|
> selesai program akan menampilkan hasilnya.
|
|
|
|
|
|
1. Text N-gram.
|
|
|
|
|
|
Pengguna memilih alternatif text N-gram. Ada tiga pilihan yaitu,
|
|
|
unigram, bigram, dan trigram.
|
|
|
|
|
|
<img src="media/image10.png" width="529" height="340" /><img src="media/image11.png" width="135" height="102" /><img src="media/image12.png" width="529" height="349" /><img src="media/image13.png" width="529" height="354" />
|
|
|
|
|
|
> Ketika memilih text n-gram, pengguna harus menekan tombol text n-gram,
|
|
|
> kemudian akan muncul pilihan n-gram berupa dropdown. Setelah itu,
|
|
|
> pengguna memilih salah satu dari pilihan yang ada dan program akan
|
|
|
> menyimpan pilihan tersebut untuk dijadikan parameter pada tahap
|
|
|
> selanjutnya.
|
|
|
|
|
|
1. Weigthing.
|
|
|
|
|
|
Pengguna memilih metode weighting yang digunakan dalam analisis,
|
|
|
Pilihan dari metode weighting adalah metode TF dan metode TF IDF.
|
|
|
|
|
|
<img src="media/image14.png" width="529" height="348" /><img src="media/image15.png" width="529" height="345" />
|
|
|
yang diperlukan. Klik tombol Preprocessing kemudian akan mucul empat
|
|
|
pilihan tahapan preprocessing yaitu *cleaning*, *casefolding*,
|
|
|
penghilangan *stopword*, dan *stemming*. Pengguna dapat menentukan
|
|
|
tahapan preprocessing mana saja yang akan digunakan dengan
|
|
|
mencheklist pada tahap yang diinginkan. Setelah mengklik OK kemudian
|
|
|
program akan menampilkan hasil preprocessing pada tab tabel
|
|
|
sedangkan pada tab hasil akan dicatat preprocessing mana saja yang
|
|
|
dipilih oleh pengguna.
|
|
|
|
|
|
2. Text N-gram.
|
|
|
|
|
|
Pengguna memilih alternatif text N-gram dengan mengklik tombol
|
|
|
Text N-gram. Ada tiga pilihan yaitu, unigram, bigram, dan trigram
|
|
|
yang akan ditampilkan melalui pilihan dropdown. Setelah memilih
|
|
|
metode text N-gram dan diklik OK maka program akan menampilkan
|
|
|
fitur-fitur pada tab tabel dan menghitung jumlah fitur hasil text
|
|
|
N-gram pada tab hasil.
|
|
|
|
|
|
3. *Weigthing.*
|
|
|
|
|
|
Selanjutnya adalah memlih metode *weigthing*. Pengguna menekan
|
|
|
tombol weighting kemudian program akan memunculkan pilihan berupa
|
... | ... | @@ -146,19 +123,19 @@ Tahap Instalasi Aplikasi |
|
|
yang dinginkan. Selanjutnya program akan mengolah data dengan
|
|
|
parameter metode weighting dan parameter yang disimpan pada
|
|
|
tahap sebelumnya. Terakhir, program menampilkan hasil dari
|
|
|
pengolahan tersebut
|
|
|
pengolahan tersebut pada tab tabel.
|
|
|
|
|
|
2. Klasifikasi.
|
|
|
4. Klasifikasi.
|
|
|
|
|
|
Pengguna dapat melakukan klasifikasi data setelah tahap-tahap
|
|
|
sebelumnya telah selesai. Pengguna memilih metode klasifikasi yang
|
|
|
digunakan dan akan dianalisis. Pilihan dari metode klasifikasi ada
|
|
|
tiga yaitu metode SVM, SVM PSO, dan SVM FFA.
|
|
|
|
|
|
> Pengguna harus menentukan parameter-paramater SVM. Setiap metode
|
|
|
> memiliki beberapa parameter yang sedikit berbeda. Rincian parameter
|
|
|
> untuk tiap metode klasifikasi sebagai berikut;
|
|
|
>
|
|
|
Pengguna harus menentukan parameter-paramater SVM. Setiap metode
|
|
|
memiliki beberapa parameter yang sedikit berbeda. Rincian parameter
|
|
|
untuk tiap metode klasifikasi sebagai berikut;
|
|
|
|
|
|
> SVM : kernel, n-fold
|
|
|
>
|
|
|
> SVM PSO : kernel. n-fold, jumlah partikel, maksimum iterasi
|
... | ... | @@ -167,12 +144,93 @@ SVM FFA : kernel, n-fold, jumlah *firefly*, maksimum iterasi |
|
|
|
|
|
> Ada empat kernel yang dapat dipilih oleh pengguna dalam menggunakan
|
|
|
> metode klasifikasi SVM yaitu kernel linear, polynomial, RBF, dan
|
|
|
> sigmoid.
|
|
|
>
|
|
|
> Mengatur parameter dapat dilakukan setelah memilih metode klasifikasi.
|
|
|
> Pengguna memilih kernel, meng-*input* nfold, menginput jumlah partikel
|
|
|
> untuik metode klasifikasi SVM PSO atau jumlah *firefly* untuk metode
|
|
|
> klasifikasi SVM FFA, dan meng-*input* maksimum iterasi. Setelah itu,
|
|
|
> program akan menyimpan pilihan dari pengguna.
|
|
|
> sigmoid. Setelah parameter telah sesuai dengan keinginan pengguna,
|
|
|
> maka pengguna harus mengklik OK. Program akan menunjukkan hasil
|
|
|
> akurasi dan waktu proses pada tab hasil. Jika metode klasifikasi yang
|
|
|
> dipilih adalah SVM PSO atau SVM FFA maka pada tab plot akan dihasilkan
|
|
|
> diagram garis yang menunjukkan hasil akurasi tiap iterasi seperti pada
|
|
|
> gambar 11.
|
|
|
|
|
|
**Panduan Penggunaan untuk Developer**
|
|
|
|
|
|
1. *Preprocessing*
|
|
|
|
|
|
Script R untuk menggunakan *preprocessing*.
|
|
|
|
|
|
**preprocessingText (data, cleaning, caseFolding, removeStopWord ,
|
|
|
stemming)**
|
|
|
|
|
|
| **Variabel** | **Penjelasan** |
|
|
|
|----------------|-----------------------------------------------------|
|
|
|
| Data | Data yang digunakan dalam tahap *preprocessing* |
|
|
|
| cleaning | cleaning data (nilai default: TRUE) |
|
|
|
| caseFolding | case folding data (nilai default: TRUE) |
|
|
|
| removeStopword | pembuangan stopword pada data (nilai default: TRUE) |
|
|
|
| stemming | stemming data (nilai default: TRUE) |
|
|
|
|
|
|
2. Text N-gram
|
|
|
|
|
|
Script R untuk menggunakan text N-gram.
|
|
|
|
|
|
**nGram (data, ngram)**
|
|
|
|
|
|
| **Variabel** | **Penjelasan** |
|
|
|
|--------------|----------------------------------------|
|
|
|
| Data | Data yang digunakan pada text N-gram |
|
|
|
| ngram | Nilai N pada N-gram (nilai default: 1) |
|
|
|
|
|
|
3. *Weigthing*
|
|
|
|
|
|
Script R untuk menggunakan *weighting*.
|
|
|
|
|
|
**weightingProses (data, listFitur, method)**
|
|
|
|
|
|
| **Variabel** | **Penjelasan** |
|
|
|
|--------------|---------------------------------------------|
|
|
|
| Data | Data yang digunakan dalam tahap *weighting* |
|
|
|
| listFitur | List fitur/list atribut |
|
|
|
| method | Metode *weighting* (nilai default: “TFIDF”) |
|
|
|
|
|
|
4. Klasifikasi SVM PSO
|
|
|
|
|
|
Script R untuk menggunakan preprocessing.
|
|
|
|
|
|
**svmpso (x, y, kernel, maxIter, n\_particle, iw, c1, c2, nfold, seed,
|
|
|
scale)**
|
|
|
|
|
|
| **Variabel** | **Penjelasan** |
|
|
|
|--------------|----------------------------------------------------------------|
|
|
|
| x | data yang digunakan pada klasifikasi |
|
|
|
| y | data *class* |
|
|
|
| kernel | kernel SVM (nilai default: “linear”) |
|
|
|
| maxIter | maksimum iterasi (nilai default: 5) |
|
|
|
| n\_particle | jumlah partikel pada PSO (nilai default: 3) |
|
|
|
| Iw | inertia weight (nilai default: 1) |
|
|
|
| c1 | koefisien akselerasi *personal* *influence* (nilai default: 2) |
|
|
|
| c2 | koefisien akselerasi *social* *influence* (nilai default: 2) |
|
|
|
| nfold | nilai n pada n fold cross validation (nilai default: 3) |
|
|
|
| seed | untuk menentukan persebaran random (nilai default: 50) |
|
|
|
| scale | parameter SVM (nilai default: FALSE) |
|
|
|
|
|
|
5. Klasifikasi SVM FFA
|
|
|
|
|
|
Script R untuk menggunakan preprocessing.
|
|
|
|
|
|
**svmffa (x, y, kernel, maxIter, jumlah\_fflies, beta, gamma, alpha,
|
|
|
nfold, seed, scale)**
|
|
|
|
|
|
| **Variabel** | **Penjelasan** |
|
|
|
|-----------------|---------------------------------------------------------|
|
|
|
| x | data yang digunakan pada klasifikasi |
|
|
|
| y | data *class* |
|
|
|
| kernel | kernel SVM (nilai default: “linear”) |
|
|
|
| maxIter | maksimum iterasi (nilai default: 5) |
|
|
|
| jumlah\_firefly | jumlah kunang-kunang pada FFA (nilai default: 3) |
|
|
|
| alpha | Parameter alpha pada FFA (nilai default: 0.5) |
|
|
|
| beta0 | Parameter alpha pada FFA (nilai default: 0.05) |
|
|
|
| gamma | Parameter alpha pada FFA (nilai default: 1) |
|
|
|
| nfold | nilai n pada n fold cross validation (nilai default: 3) |
|
|
|
| seed | untuk menentukan persebaran random (nilai default: 50) |
|
|
|
| scale | parameter SVM (nilai default: FALSE) |
|
|
|
|
|
|
|
|
|
<img src="media/image16.png" width="331" height="235" /><img src="media/image17.png" width="529" height="361" /><img src="media/image18.png" width="297" height="272" /><img src="media/image19.png" width="238" height="502" /><img src="media/image20.png" width="237" height="502" /><img src="media/image21.png" width="238" height="340" /> |