Proses Data Mining dengan topik "Grooming"
.png)
Proses Sentimen Analisis menggunakan Orange
File
- Untuk widget yang pertama "File" berfungsi untuk memasukkan data yang sudah di scrabbing sebelumnya di google collabs
Corpus
- Berfungsi untuk memilih variabel yang ingin di analisis, dikarenakan di file excelnya untuk tweetnya nama variabelnya "full text", maka yang di ambil di corpusnya variabel "full text"
Word Cloud Ke - 1
- Berfungsi untuk melihat kata-kata sebelum di cleaning, ada banyak kata atau tanda baca yang tidak dibutuhkan
Preprocess Text
- Berfungsi untuk memfilter kata-kata yang tidak dibutuhkan tersebut, dengan memasukkan file stopwordbahasa yang saya dapatkan di github, isi file tersebut kumpulan kata-kata yang tidak penting yang nantinya akan di filter secara otomatis oleh mesin berdasarkan file stopword bahasa tersebut
Word Cloud Ke - 2
- Dikarenakan sebelumnya sudah memfilter kata yang tidak penting menggunakan preprocess makanya word cloud ke -2 ini gunanya untuk melihat kata-kata yang sudah di filter.
Topic Modelling
- Topic modelling berfungsi untuk topic/kata apa saja yang sering muncul, maka dihasilnya dimunculkan lah 10 (sesuai permintaan) topic/kata yang sering muncul itu.
Sentimen Analysis
- Di sentimen Analysis disini saya memilih Multilingual Language untuk menganalisis kata negatif, netral, maupun positif.
Heat Map yang terhubung oleh Sentimen Analysis
Corpus Viewer
- ditambahkan hanya untuk melihat lebih detail dari hasil heatmapnya
Data Table
- Berfungsi untuk melihat data" dari semua variabel ada di data kita, termasuk sentimen analysisnya. di sini kita dapat melihat langsung tweetnya itu apakah dia negatif/netral/positif, dikarenakan terdapat variabel baru yg namanya sentimen, yg dimana isinya itu angka (-) (0) (+) dari semua tweet.
Save Data
- Berfungsi untuk menyimpan data yang ada di data table.
KESIMPULAN
Kesimpulan dari analisis sentimen mengenai kasus grooming yang melibatkan siswi SMA di Gorontalo menunjukkan bahwa diskusi masyarakat terbagi antara pemahaman yang netral dan kekhawatiran yang mendalam. Banyak istilah deskriptif, seperti "interaksi online" dan "komunikasi," mendominasi pembicaraan, mencerminkan upaya untuk memahami fenomena grooming dengan cara yang objektif. Sementara itu, frasa positif seperti "pendidikan tentang keamanan" dan "kesadaran masyarakat" menunjukkan adanya inisiatif untuk meningkatkan perlindungan anak. Namun, hasil analisis juga menunjukkan adanya dominasi sentimen negatif, seperti yang terpantau dari heatmap, di mana nilai -50 berwarna biru mencerminkan banyaknya tweet yang menggambarkan kekhawatiran serius terkait "penyalahgunaan" dan "eksploitasi." Hal ini menandakan bahwa masyarakat tidak hanya menyadari risiko yang ada, tetapi juga merasa perlu untuk menanggapi dengan lebih serius dan proaktif. Keseluruhan analisis ini menggarisbawahi pentingnya pendidikan dan kesadaran dalam upaya melindungi anak-anak dari bahaya grooming.
Posting Komentar