Pre-processing

Pre-processing merupakan tahap pertama melakukan text mining
berupa mengubah data. Tahap ini melakukan tahap penggalian, pengolahan
dan pengaturan informasi untuk menganalisis hubungan tekstual. Preprocessing merupakan langkah pertama dalam pengolahan data yang
bertujuan untuk membersihkan, memformat, dan menyiapkan data mentah
sebelum dilakukan analisis lebih lanjut. Proses pre-processing berguna
untuk mengubah informasi dari ulasan atau teks yang tidak terstruktur
menjadi bentuk standar yang lebih mudah untuk dianalisis (Faadilah, 2020).
a. Case Folding
Case folding adalah langkah untuk mengubah huruf kapital menjadi
huruf kecil dalam teks. Dalam konteks analisis sentimen, proses ini
bermanfaat untuk mengurangi variasi kata yang pada dasarnya memiliki
makna yang sama, namun ditulis dengan huruf kapital atau kecil yang
berbeda. Sebagai contoh, kata “SeLAmat”, “selamat” dan “SELAMAT”
memiliki arti yang identik, namun tanpa case folding, keduanya akan
dianggap sebagai kata yang berbeda dan dianalisis secara terpisah dalam
proses analisis sentimen.
Case folding bertujuan untuk merubah semua huruf dalam teks
menjadi huruf kecil atau huruf besar (Faadilah, 2020). Langkah ini
dilakukan untuk mencegah adanya perbedaan dalam kata yang sama
karena penggunaan huruf kapital atau huruf kecil yang berbeda.
b. Tokenizing
Tokenizing adalah langkah membagi teks menjadi unit-unit yang
lebih kecil yang dikenal sebagai “token”. Token tersebut bisa berupa
kata, frasa, atau tanda baca. Proses ini bertujuan untuk memecah kalimat
menjadi bagian-bagian yang lebih kecil sebelum dilakukan analisis lebih
lanjut (Amaliah, dkk., 2022). Dalam analisis sentimen, tokenizing
penting untuk menyiapkan data teks agar dapat diproses lebih lanjut.
Tanpa proses tokenizing, data teks tidak dapat diolah dalam analisis
15
sentimen karena perlu dipisahkan menjadi token-token terlebih dahulu
untuk memungkinkan analisis kata dan frasa yang ada dalam teks.
Bisa disimpulan tokenizing merupakan langkah dalam preprocessing teks yang bertujuan untuk membagi teks menjadi unit-unit
kecil yang disebut token untuk analisis selanjutnya. Token bisa berupa
kata, frasa, atau karakter khusus, dan setiap token melambangkan satu
unit makna dalam teks.
c. Stopword Removal (Filtering)
Stopword Removal merupakan proses mengeliminasi kata-kata yang
biasa dan sering muncul dalam teks, seperti kata depan, kata imbuhan,
kata ganti, kata penghubung, dan kata-kata lainnya yang tidak
memberikan kontribusi signifikan dalam memahami makna teks.
Biasanya, ini melibatkan kata-kata penghubung seperti “yang”, “dan”,
“di”, “dari”, serta kata-kata lain yang tidak terlalu relevan dalam analisis
teks. Tindakan ini mencakup penghapusan kata-kata yang kurang
memiliki makna penting, seperti “dan”, “saya”, atau kata-kata sejenis
(Rahma, dkk., 2021).
d. Stemming
Stemming adalah langkah dalam pre-processing teks yang bertujuan
untuk mengonversi kata-kata ke dalam bentuk dasar atau kata dasar
dengan cara memotong akhiran kata. Proses stemming ini merubah katakata yang memiliki imbuhan menjadi bentuk dasar aslinya (Rahma,
16
dkk., 2021). Tujuan utama dari stemming adalah untuk mengurangi
variasi kata yang muncul dalam teks serta menjaga konsistensi makna
kata meskipun berbeda dalam bentuk.
e. Pembobotan TF-IDF
Pembobotan adalah teknik yang digunakan untuk mengubah data
input menjadi suatu fitur vector. Tiap dokumen mencakup variasi kata
yang berbeda-beda. Dalam pencarian informasi dari dokumen
heterogen, pentingnya pemahaman terhadap pembobotan kata
terungkap, sebab setiap kata memiliki tingkat signifikansi yang berbeda
di dalam dokumen. Inilah sebabnya mengapa bobot term menjadi
relevan (Hasna, 2021).
Pembobotan TF-IDF (Term Frequency-Inverse Document
Frequency) adalah teknik yang digunakan untuk memberikan nilai
bobot kepada setiap kata dalam sebuah dokumen berdasarkan seberapa
sering kata tersebut muncul dan seberapa uniknya dalam seluruh
dokumen. Term frequency (TF) mencerminkan frekuensi kemunculan
kata dalam dokumen tersebut. Sering kali, kata-kata yang sering muncul
dapat mengganggu proses identifikasi kata-kata yang lebih unik. Inverse
Document Frequency (IDF) berfungsi untuk menyeimbangkan bobot
kata-kata yang sering muncul dengan mengurangi nilai bobotnya, serta
mengukur pentingnya makna suatu kata dalam sebuah dokumen.
17
f. Confusion Matrix
Tabel Confusion Matrix digunakan untuk mengevaluasi kinerja
model klasifikasi yang melibatkan analisis sentimen. Di mana metode
digunakan untuk menghitung akurasi dengan membandingkan hasil
klasifikasi yang dilakukan secara aktual dengan hasil klasifikasi metode
(Amaliah, dkk., 2022). Dengan membandingkan hasil prediksi model
dengan label kelas yang sebenarnya, Confusion Matrix menunjukkan
seberapa baik model melakukan klasifikasi. Informasi dalam matriks
confusion diperlukan untuk menentukan kinerja model klasifikasi,
menurut Ilmawan dan Mude dalam Maulana (Maulana, 2023)