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]) * 100, 1)

# Finding percentage of negative tweets

ntweets = df[df.Analysis == 'Negative']

ntweets = ntweets['Tweets']

ntweets

round( (ntweets.shape[0] / df.shape[0]) * 100, 1)

# Finding percentage of neutral tweets

neutweets = df[df.Analysis == 'Neutral']

neutweets = neutweets['Tweets']

ntweets

round( (neutweets.shape[0] / df.shape[0]) * 100, 1)

# 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()

Share :