Source Code Sentimen Analisis Twitter dengan Python - Masnaato
Skip to content Skip to sidebar Skip to footer

Source Code Sentimen Analisis Twitter dengan Python

Source Code Sentimen Analisis Twitter dengan Python



Opinion Mining / Sentiment Analysis (sebagian besar researcher menganggap dua istilah ini sama/interchangeable) merupakan sebuah cabang penelitian di domain Text Mining yang mulai booming pada awal tahun 2002-an. Riset-nya mulai marak semenjak paper dari B.Pang dan L.Lee [1] keluar. Secara umum, Sentiment analysis ini dibagi menjadi 2 kategori besar :

1.      Coarse-grained sentiment analysis

2.      Fined-grained sentiment analysis

Coarse-grained sentiment analysis - kita mencoba melakukan proses analysis pada level Dokumen. Singkatnya adalah kita mencoba mengklasifikasikan orientasi sebuah dokumen secara keseluruhan. Orientasi ini ada 3 jenih : Positif, Netral, Negatif. Akan tetapi, ada juga yang menjadikan nilai orientasi ini bersifat kontinu / tidak diskrit.

Fined-grained sentiment analysis - kategori kedua ini yang sedang Naik Daun sekarang. Maksudnya adalah para researcher sebagian besar fokus pada jenis ini. Obyek yang ingin diklasifikasi bukan berada pada level dokumen melainkan sebuah kalimat pada suatu dokumen.

Berikut dibawah ini merupakan tahapan dalam pembuatan sentiment analyst menggunakan Bahasa pemrograman python.

Api twitter masukan punyamu 

import tweepy
from textblob import TextBlob
from wordcloud import WordCloud
import pandas as pd
import numpy as np
import re
import matplotlib.pyplot as plt
plt.style.use("fivethirtyeight")

consumerKey = 'Isi punya kamu'
consumerSecret = 'Isi punya kamu'
accessToken = 'Isi punya kamu'
accessTokenSecret = 'Isi punya kamu'
# Creating the authentication object
authenticate = tweepy.OAuthHandler(consumerKey, consumerSecret)
# Setting the access token and access token secret
authenticate.set_access_token(accessToken, accessTokenSecret)
# Creating the API object while passing the authentication information
api = tweepy.API(authenticate, wait_on_rate_limit= True)

account = str(input("Enter the twitter account you would like to see: @"))
num = int(input("Enter the number of recent tweets you would like to use: "))
posts = api.user_timeline(screen_name = account, count=num, lang= 'id',tweet_mode = 'extended')
print("Show the ",num," recent tweets \n")  
i=1
for tweet in posts[0:num]:
  print(str(i) + ') '+ tweet.full_text + '\n')
  i+=1

  # Creating a data frame with a column called Tweets so it looks nice
df = pd.DataFrame( [tweet.full_text for tweet in posts] , columns=['Tweets'])
df.index = df.index + 1
df.head()

def CleanTxt(text):
  text = re.sub(r"@(\w+)"' ', text) # This wil remove any @ mentions
  text = re.sub('@[^\s]+','',text) # This will remove any hashtags (#)
  text = re.sub('https?:\/\/\S+''', text) # This will remove any URl's
  text = re.sub('RT[\s]+''', text) # This will remove any RT mentions
  text = re.sub('yang''', text) # This will remove any RT mentions
  text = re.sub('saya''', text) # This will remove any RT mentions
  text = re.sub('dan''', text) # This will remove any RT mentions
  text = re.sub('kita''', text) # This will remove any RT mentions
  text = re.sub('dengan''', text) # This will remove any RT mentions
  text = re.sub('ini''', text) # This will remove any RT mentions
  text = re.sub('untuk''', text) # This will remove any RT mentions
  text = re.sub('dalam''', text) # This will remove any RT mentions
  text = re.sub('telah''', text) # This will remove any RT mentions
  text = re.sub('harus''', text) # This will remove any RT mentions
  text = re.sub('biasa''', text) # This will remove any RT mentions
  text = re.sub('tempat''', text) # This will remove any RT mentions
  text = re.sub('bagi''', text) # This will remove any RT mentions
  text = re.sub('akan''', text) # This will remove any RT mentions
  text = re.sub('pada''', text) # This will remove any RT mentions
  text = re.sub('dari''', text) # This will remove any RT mentions
  text = re.sub('di''', text) # This will remove any RT mentions
  text = re.sub('ke''', text) # This will remove any RT mentions
  text = re.sub('Saya''', text) # This will remove any RT mentions
  text = re.sub('para''', text) # This will remove any RT mentions
  text = re.sub('lebih''', text) # This will remove any RT mentions
  text = re.sub('adalah''', text) # This will remove any RT mentions
  text = re.sub('juga''', text) # This will remove any RT mentions
  text = re.sub('hari''', text) # This will remove any RT mentions

  return text

# Cleaning the text
df['Tweets'] = df['Tweets'].apply(CleanTxt)

# Showing the cleaned text
df
def getSubjectivity(text):
  return TextBlob(text).sentiment.subjectivity

# Creating a function to get the polarity. 
def getPolarity(text):
  return TextBlob(text).sentiment.polarity

# Creating two columns to store subjectivity and polarity
df['Subjectivity'] = df['Tweets'].apply(getSubjectivity)
df['Polarity'] = df['Tweets'].apply(getPolarity)

# Outputting the new data frame
df

# Creating a wordcloud to create a visualisation of the frequent words.
allWords = ''.join([twts for twts in df['Tweets']]) # Stores all the words in one string
wordCloud = WordCloud(background_color='white', width=2500, height=2000, random_state=2 ).generate(allWords)
plt.imshow(wordCloud, interpolation="Bilinear"# Interpolation is the process of 
plt.axis('off')
plt.show()
      
lol = WordCloud()

# Deciding whether the text is +ve (+1), neutral (0) or -ve (-1)
def getAnalysis(score):
  if score < 0:
    return 'Negative'
  elif score == 0:
    return 'Neutral'
  else:
    return 'Positive'

df['Analysis'] = df['Polarity'].apply(getAnalysis)
df

# Plotting a graph with Subjectivity against Polarity
plt.figure(figsize=(8,6))
for i in range(1, df.shape[0]):
  plt.scatter(df["Polarity"][i], df["Subjectivity"][i], color='Blue')
# Labelling axis's and title
plt.title('Twitter Sentiment Analysis')
plt.xlabel('Polarity')
plt.ylabel('Subjectivity')
plt.show()

df['Analysis'].value_counts()
# Finding percentage of positive tweets
ptweets = df[df.Analysis == 'Positive']
ptweets = ptweets['Tweets']
ptweets
round( (ptweets.shape[0] / df.shape[0]) * 1001)
# Finding percentage of negative tweets
ntweets = df[df.Analysis == 'Negative']
ntweets = ntweets['Tweets']
ntweets

round( (ntweets.shape[0] / df.shape[0]) * 1001)
# Finding percentage of neutral tweets
neutweets = df[df.Analysis == 'Neutral']
neutweets = neutweets['Tweets']
ntweets

round( (neutweets.shape[0] / df.shape[0]) * 1001)
# Creating a bar chart to visualise the count
plt.title('Twitter Sentiment Analysis')
plt.xlabel('Sentiment')
plt.ylabel('Count')
df['Analysis'].value_counts().plot(kind='bar')
plt.show()

Post a Comment for "Source Code Sentimen Analisis Twitter dengan Python"