Source Code Sentimen Analisis Twitter dengan Python

Source Code Sentimen Analisis Twitter dengan Python - Menurut jurnal yang berjudul Implementasi Opinion Mining (Analisis Sentimen) untuk Ekstraksi Data Opini Publik pada Perguruan Tinggi, Sentiment analysis atau opinion mining merupakan topik riset yang penting dan sedang marak dilakukan saat ini. Opinion mining merupakan cabang penelitian dari text mining. Fokus dari opinion miningadalah melakukan analisis opini dari suatu dokumen teks. Terdapat tiga buah subproses dari opinion mining yaitu, document subjectivity, opinion orientation dan target detection. Dalam dunia bisnis, opinion mining banyak digunakan untuk menganalisis secara otomatis opini pelanggan tentang produk dan pelayanannya.

Kode script api twitter silahkan isi dengan kodemu

!pip install nltk

!pip install wordcloud

!pip install tweepy

import re 

import tweepy 

import nltk

import pandas as pd

import matplotlib.pyplot as plt

from wordcloud import WordCloud,STOPWORDS

nltk.download('punkt')   

nltk.download('stopwords')

from nltk.corpus import stopwords

from nltk.tokenize import word_tokenize

from nltk.stem import PorterStemmer

from tweepy import OAuthHandler 

from textblob import TextBlob

   

def connect():

  # Replace the xxxxx with your twitter api keys

  consumer_key = 'isi punyamu'

  consumer_secret = 'isi punyamu'

  access_token = 'isi punyamu'

  access_token_secret = 'isi punyamu'

  try:

    auth = OAuthHandler(consumer_key, consumer_secret)

    auth.set_access_token(access_token, access_token_secret)

    api = tweepy.API(auth)

    return api

  except:

    print("Error")

    exit(1)

def cleanText(text):

  text = text.lower()

  # Removes all mentions (@username) from the tweet since it is of no use to us

  text = re.sub(r'(@[A-Za-z0-9_]+)', '', text)

    

  # Removes any link in the text

  text = re.sub('http://\S+|https://\S+', '', text)

  text = re.sub('\n', '', text)

  text = re.sub('&amp', '', text)

  text = re.sub('yang', '', text)

  text = re.sub('aja', '', text)

  text = re.sub('nya', '', text)

  text = re.sub('udah', '', text)

  text = re.sub('banget', '', text)

  text = re.sub('akun', '', text)

  text = re.sub('bgt', '', text)

  text = re.sub('yg', '', text)

  text = re.sub('gue', '', text)

  text = re.sub('gw', '', text)

  # Only considers the part of the string with char between a to z or digits and whitespace characters

  # Basically removes punctuation

  text = re.sub(r'[^\w\s]', '', text)

  # Removes stop words that have no use in sentiment analysis 

  text_tokens = word_tokenize(text)

  text = [word for word in text_tokens if not word in stopwords.words()]

  text = ' '.join(text)

  return text

def stem(text):

  # This function is used to stem the given sentence

  porter = PorterStemmer()

  token_words = word_tokenize(text)

  stem_sentence = []

  for word in token_words:

    stem_sentence.append(porter.stem(word))

  return " ".join(stem_sentence)

def sentiment(cleaned_text):

  # Returns the sentiment based on the polarity of the input TextBlob object

  if cleaned_text.sentiment.polarity > 0:

    return 'positive'

  elif cleaned_text.sentiment.polarity < 0:

    return 'negative'

  else:

    return 'neutral'

def fetch_tweets(query, count = 50 , lang = 'id'):

  api = connect() # Gets the tweepy API object

  tweets = [] # Empty list that stores all the tweets

  try:

    # Fetches the tweets using the api

    fetched_data = api.search(q = query + ' -filter:retweets', 

count = count)

    for tweet in fetched_data:

      txt = tweet.text

      clean_txt = cleanText(txt) # Cleans the tweet

      stem_txt = TextBlob(stem(clean_txt)) # Stems the tweet

      sent = sentiment(stem_txt) # Gets the sentiment from the tweet

      tweets.append((txt, clean_txt, sent))

    return tweets

  except tweepy.TweepError as e:

    print("Error : " + str(e))

    exit(1)

tweets = fetch_tweets(query = 'Soeharto', count = 3000)

# Converting the list into a pandas Dataframe

df = pd.DataFrame(tweets, columns= ['tweets', 'clean_tweets','sentiment'])

# Dropping the duplicate values just in case there are some tweets that are copied and then stores the data in a csv file

df = df.drop_duplicates(subset='clean_tweets')

df.to_csv('data.csv', index= False)

ptweets = df[df['sentiment'] == 'positive']

p_perc = 100 * len(ptweets)/len(tweets)

ntweets = df[df['sentiment'] == 'negative']

n_perc = 100 * len(ntweets)/len(tweets)

print(f'Positive tweets {p_perc} %')

print(f'Neutral tweets {100 - p_perc - n_perc} %')

print(f'Negative tweets {n_perc} %')

twt = " ".join(df['clean_tweets'])

wordcloud = WordCloud(stopwords=STOPWORDS, background_color='white', width=2500, height=2000).generate(twt)

plt.figure(1,figsize=(13, 13))

plt.imshow(wordcloud)

plt.axis('off')

plt.show()

a

Gambar setelah dirun

Share :