Int ern at i onal  Journ al of Ele ctrical  an d  Co mput er  En gin eeri ng   (IJ E C E)   Vo l.   8 , No .   6 ,  Decem ber   201 8 , p p.   5311 ~ 5317   IS S N:  20 88 - 8708 ,  DOI: 10 .11 591/ ijece . v 8 i 6 . pp 5311 - 53 17           5311       Journ al h om e page :  http: // ia es core .c om/ journa ls /i ndex. ph p/IJECE   Complai nt Anal ysis in  In donesi an   Lan guage   U sin g   WPK E  and  RAKE  Algorith m       Rini W ongso ,  Novit a Ha nafiah ,  Jak a Har t an t o, Ale xand er Kevin , Ch ar le s Su t ant o,   Fion a  Kes um a   Com pute r  Scie n ce   Dep art m ent, S chool   of  Com p ute r  Sc ie nc e, Bina  Nus ant ar a   Un ive rsit y ,   Indon esia       Art ic le  In f o     ABSTR A CT    Art ic le  history:   Re cei ved   Dec  25 , 201 8   Re vised  Ju l   3 ,   201 8   Accepte d  J ul  22 , 2 01 8       Socia l   m edi a  p r ovide s  conv eni e nce   in  comm unic ating  and   c an  pre sent  two - wa y   comm unic a ti on  th at  allows   companie s  to  i nte ra ct   wi th  the i r  customer.  Com pani es  ca n  use  informati on  obta in ed  from   s oci a l  m edi a  to  ana l y z e  how  the   comm unit ie s  respond  to   th ei r   services  or  prod uct s.  The  bigge s t  ch al l eng e   in  proc essing  in form at ion  in  s o ci a l  m edi a   li k e  Twit ter,  is  the  unstruct ure d   sente nc es  whic h  coul d  l ea d   t o  inc orre ct   te xt   proc essing.   H oweve r,   thi s   informati on  is  ver y   importan t  for  companie s’  su rviva l .   In  thi s  rese arc h,   w e   proposed  a  m et h od  to  ext ra ct   k e y words   from   twee ts  in  Indon esia n   la ngu age,  W PK E.   W e  co m par ed  it   with  RAK E,   an  al gorit hm   tha t  is  la nguag e   inde pend ent   and   usually   used  fo r  ke y word  ext r a ct ion .   Finall y ,   w e  develop  a   m et hod  to  do   c luste ring   to  gro ups  the   topi cs   of  complai n ts  with  da ta   s et  obta in ed  from   Twit te r  using  the   “ ko m pla in”   hashta g.   Our  m et hod  ca n  obta in   the   accura c y   of 72 . 92%  whil e  R AK E  ca n   onl y   o bta in   35. 42% .   Ke yw or d:   Com plaint analy sis   RAKE  A l gorithm   Twitt er   WPKE  Algorit hm   Copyright   ©   201 8   Instit ut e  o f Ad vanc ed   Engi n ee r ing  and  S cienc e .    Al l   rights re serv ed .   Corres pond in g  Aut h or :   Ri ni  Wo ngs o,     Com pu te r  Scie nce  Dep a rtm ent,   Scho ol of C om pu te r  Scie nc e,    Bi na  N us a ntar a Unive rsity ,   Jl K . H.   Syah da n No.  9,   Palm e rah,  Ja kar ta ,   11 480,  I ndonesi a .   Em a il :  rw ongso@ binus.e du       1.   INTROD U CTION   So ci al   netw orks  ha ve  becom e  an  in flue nt ia l  m eans  of  com m un ic at i ng  these days,   as  it   al lo w s   interact ion  between  ac qu ai ntances  i n  dif fere nt  s ociet y  [1] .  S ocial   m edia   is  cu rre ntly   a   li festy le   for  m os t  people  al l  arou nd   t he  w or l d   [ 2] .  Twitt er,  one  of   s ocial   m e dia  ap ps ,   has  a ppr ox im at ely  50 0  m il l ion   twe et s  and  307  m i ll ion   act ive  us er s  as  sta te d  in  Live  Stat s  on   20 17   [ 3] .  It  has  bee n  kn own  that  Twit te r  is  us ed  f or  m any  pur po ses  s uch  as for  pro te st,   po li ti cal  cam pa ign s , m ark et in g,  a nd  for  c omm enting  se rv ic es or  pro du ct s   [4] .    Accor ding  to   G.   G he din ,   th e  high  dif fusion  of   T witt er   has  cl early   ref le ct ed  w hat   happe ns   in  Ind on esi a ’s  m a rk et in g  w or ld   [5 ] .  D oze ns   of  com pan ie s  us e   Twitt er  as   the  perfect   m edia   to  inte ract  with   their   cl ie nts.  H ow e ve r,   it   is  not  eas y  to  evaluate  t he  po pu la rity   or  acce pta nce  ra te   of   pro du ct s  or   se r vices  as  al l  the  inf or m at ion   is  scat te red   a nd  t her e   is  no  way   to  m anag e  it   well .  T he  am ou nt  of  in form ation   t hat  goes   thr ough  Twitt er  ta kes  ti m e  fo r  m anag e rs  to  a naly ze  th e  cor e   of  the  c om plaints   and   so m et i m es  there  are  tweet s  t ha t  are   no t m eanin gful.   T he pr ocess wil l be e ff ic ie nt  b y u sin g  a m achine t o  e xtrac t t he  co re  of a s entence  ( keyw ord).    Extracti ng  a  ke ywo rd   of   a  s hort  sente nce  is  on e  o f  t he  chall eng e s   in  na tural  la ngua ge   processi ng   area.  It  is  sta te d  by   N.  Ha na f ia h   that  people   te nd s   to  us e  unstr uctu red  se ntences   su c h  a s  inco rr e ct   gra m m ar,   con ta in s  m any  abbre viati on ,  t ypogra phic al   error s ,  an d  em ot ic on s  in  e xpres sing   their  th ou gh ts  in  s oc ia l  m edi a   [6] .  The  un st ruct ur e d  sentenc es  need   to  be  norm al iz ed  so   t he  m achine  ca n  unde rstan d  the  w ords.   A fte rw a rds ,   the  extracti ng   keywor d  al gorithm   can  be   app li ed  to  ge t  the  cor e  of  com plaints  in  Tweets.  D espi te   th e   diff ic ulti es  sta te d  ab ove,  t hes e  data  are  ce rtai nly  v ery  use fu l  f or  the  c om pan y  to  know  the  c omm u niti es’  respo ns es  t oward s  t heir  pro du ct s  or  ser vi ces.  By   ha ving  these   data,  com pan ie s  can   m ake  an  ap pro pr ia te   decisi on m aking   for  thei r  s us t ai nab il it y   [4] .   Evaluation Warning : The document was created with Spire.PDF for Python.
                          IS S N :   2088 - 8708   In t J  Elec  &  C om p  En g,   V ol.  8 , N o.   6 ,  Dece m ber   201 8   :   5311   -   5317   5312   Re search  of  ke ywo rd   e xtract ion   has  c om bi ned   nat ur al   la ngua ge  pr oces sing   a ppr oac he s  to  ide ntify  par t - of - s peec h  (P O S)   ta gs  wh ic h  are  c om bin ed  with  s up e r vised  le ar ning,  m achine  le arn in g  al go rithm   or   sta ti sti cal  m e tho ds.  I n   R.  Mi halcea   and   P.  T arau ,  a  syst e m   that  app li es  synta ct ic   filt ers  to  identify   POS  ta gs   are  desc ribe d   [7] .  P OS   ta gs  are  us e d  to  se le ct   wo r ds   to  be  eval uated  a s  keyw ords.   T he  co - oc cu rence s  of   sel ect ed  w ords   are  acc um ulated   wit hin   a  w ord  c o - occ urre nce  gr a ph  an d  TextRa nk  (a  gr a ph - base d  ra nk i ng  al gorithm )  are  us e d  to  rank  th e  wo r ds   based   on   thei r  associ at ion s  in  the  grap h.   T hen,  ke ywords  are  sel ect ed   by  the  top - ra nkin g  w ords .  T he  resea rch   re ported  that  Te xtRan k  pe rform ed  the  bes t  wh e n  on ly   no un   a nd  adj ect i ves  a re  s el ect ed  as   ca ndidate  k ey w ords .    In   te xt  process ing ,   certai n  al gori thm   is  needed  to   obta in  ke ywords ,  a nd  one  of  the  al gor it h m   that  is   of te n  us e d  is  R AK E  (Rapi d  A uto m at ic   Key word   Ext racti on )  al gorithm .  Re cent  resear c h  of  [ 8]   com par es  the   perform ance  of  RA KE  a nd  T extRa nk  usi ng  the  sam e  data  set   as  in  [ 7] .   S.   Rose   et   al.   t he y    descr i bed   RAKE   as  an  un s uper vised ,  dom ai n - ind e pende nt,  a nd   la ngua ge - i ndepe ndent  m eth od  for  ext rac ti ng   key wor ds  from   ind ivi du al   doc um ents   [8] .  It  i s  base d  on  the   ob s er vation  th at   keyw o r ds   frequ e ntly   co nta in  m ulti ple  word s   but  rar el y  co ntain  sta nd a rd   punct uation  or  sto p  words,  s uc h  as   the  f un ct io n  words  an d,   t he ,  of,  or   oth e r  words  with m ini m u m  lexica l m eaning .    The  in put  par a m et ers  fo r  R A KE  are  a  li st  of  sto p  w ords,   a nd   a  set   of   phr ase  delim it ers  to  parse   the   do c um ent  te xt  into  ca nd i date  keyw ords.  Co - occurre nces  of   w ords  within  cand i date  key words  are   m ea ningf ul  to  sco re  the   ca nd i date  key word s .  RA KE  be gin s  keyw ord  extracti on  on   a   docum ent  by  par si ng  the  te xt   into  a   set   of  can did at e  keyw or ds.  A   sco re  is  cal cu la te d  f or   eac h  cand i date  key word  by  cal c ul at ing   the  su m   of  it s  m e m ber   word  scor es   a fter  ever y  ca nd i da te   keywor d  is  identifie d  a nd  the  gr a ph   of   c o - occ urre nces  is   com plete d .  Ne xt ,  the   to p  T  s cor i ng  can did a te s  are  sel ect e d  as  keyw ords   of  t he  docum ent.   In   short,   f irstl y,  RAKE  rem ov ed  the  sto p - wor ds   f ro m   do cu m ent  and   de fine  the  can did a te   keyword   ac cordin g  to  the  do m ai n  by  cal culat in g  w ord  sco re  ba sed  on  t he  de gr ee   an d  f re qu e ncy  of  w ord   ve rtic es  in   the  gr a ph :   ( 1)  w ord  fr e qu e ncy,  w ord  degree,  a nd  rati o  de gree  to   fr e quency  [9] .   In  the  e xperi m ent  of   [8] ,   RAKE   achie ves   highe r   pr eci sio n  a nd  s i m i la r  recall   in   com par iso n  to   TextRa nk,   as  RAKE   can  sco re  key wor ds   in   a  sin gle  pass ,  wh il e   TextRa nk  requ ires re peated  it erati on s  to  a chi eve th e  con vergen ce  on w ord ran ks .       A  researc h  do ne   by   J ungie wic z  an d  Ło puszy ńs ki   use s   R AKE  f or d oi ng  ke yword   ext racti on o f  Po li s h  do c um ents  in  Pr oc urem ent  fiel d   [10] .  RA K E  is  qu it e  ind e pende nt  in  te r m s   of   la ngua ge   as  it   is  no t  dev el oped   on ly   f or   a  ce rtai n  la ngua ge.   RAKE  de pend s  on   t he  sto p  w ord  li st  with  th e  gen e ral  idea  of   se par at in g  a   te xt  to  gro up   of  w ord s  acco rd i ng  to  a  sepa rato r  or  word  f ro m   the  stop   w ord  li st.  E ach  wor d  will   be  c on si der e d  as  a   cand i date  keyword a nd a sc ore is cal culat e d base d o n  the  c o - occ urren ce  grap h.    Accor ding  to  t he  s urvey  done   by   S.  Si dd i qi  and   A.   Sh a ra n ,   there  a re  va ri ou s  te c hniq ues   that  can  be   us e d  in   te xt  m i ning  for  e xtrac ti ng   keyw ord  a n d  key  phrase   [11] .  B oth   key word  a nd  key  phrase  a re  nee ded  to   analy ze  hu ge  nu m ber   of  m a te rial   in  f orm   of  te xt.  Keyw ord  a nd  key  phrase   are   w or d  represe ntati on   in   a   do c um ent  wh i ch  gi ve  high - l evel  sp eci ficat ion   of   t he  c onte nt  an d  usual l y  us ed  f or   generati ng   i nd e x,  qu e ry  ref inem ent,  an d  te xt  su m m ar iz at ion .  I n  this   m et ho d,   si gn i ficant   w ords  i n  a  docum ent  are   ch os e n  without   dep e ndin g on a ny voca bu la ry  or extracte d w ords fr om  the docu m ent.    So m e  researc he rs   J .  Gr ee nb e rg   et   al .   com par e  f our   ope n  so urce  al gorith m s  fo r  keyw ord  e xtracti on ,   RAKE ,  Tag ger,  Kea,  an d  Ma ui   [12] .  Acc ordin g  to  their  e xp e rim ents,  R AK E  pro du ce  98.57%  un i qu e   wo r ds   (69 of 7 0 u nique  words  of   70  ex tract e d wor ds ) . Mean w hile t he best res ul t i s o btai ned b y  u sin g Tag ge r  ( 100% ,  50   uniq ue  w or ds   of  50   e xtrac te d  w ords).  R AK E  is  la ngua ge  in dep e ndent   syst e m .  Ho we ver,  the  dev el opm ent   of   st op   w ord  li st  in  I ndonesi a n  is  not  as  c om ple te   as  Eng l ish.   Hen ce ,  w e   pro po se d  a  W PK E  ( Weig ht  Pr io rity  Keyw ord  E xtr act ion )   al gorit hm   wh ic h  has   a  highe r  acc uracy   in  I ndones ia n  T weets.  T he  rankin g  pro cess  is   done  by  giv i ng  a n  i niti al   we igh t  for  eac h  word  wh ic h  w e  ha ve  a naly zed  from   com pla int  tweet s.   Ne xt,  t he  weig ht  is  being   a dju ste d  by   con side rin g  the  relat ion s hip   bet ween   words  of   I nd on e sia n  gram m ar.  The   keyw ord  is  pro cessed  t o  groupin g  ph ase   f or  cal culat ing   t he   keyw ord  t hat  app ea rs  i n  the   tweet s  to  pro du ce  the  char t.  Our  WPKE al gorithm  w ork s  well  in I ndonesi an  twe et s co m par in g wit h  R AK E  algorit hm .        2.   RESEA R CH MET HO D     Figure  1  il lustr at es  the  pro posed  m et ho d  in  the  resear ch .  It   beg i ns   by  coll ect ing   the  in pu t  of   te xt  f ro m   Twitt er.  O ur   da ta   set   con sist s  of   tweet s  m entioni ng   t he  a ccount  of  com pan ie s ’  cust om er  relat ion   c enter  in  Ind on esi a n  la ngua ge.   The   te xt  is  pre - processe d,   t o  m ake  the  uns tructu red  se ntences  ca n  be   m or e  unde rstan dab le   by  a   m achine.  The   no rm aliz at ion   te c hn i que  us e d  is   base d  on  the   pre vio us  re searc h  done   by   [6 ] .  It  de velo pe d  the  te c hniq ue   to  no rm alize  te xt  in  I ndones ia n  la ngua ge  f or   c om plaint  cat egory  by  us i ng  data  from   Twitt er  and   achie ved   t he  acc ur acy   ar ound  90% .  T he   ste ps   ar e  di vid e d  int o  cl eanin g  process,   O O V   detect ion,  an d  word   re placem ent.  Key wo rds  are  the n  extrac te d  us in g  WPKE  al gorithm   and   gro up e d  th e  word  that  hav e  the  s i m i la r  m eaning  to  resu lt   the  c om plaint  cat ego ry.  T he  outp ut   is  visu al iz ed  in  a  char t  to  prov i de   si m plici t y fo r  fur t her  a naly sis.   Evaluation Warning : The document was created with Spire.PDF for Python.
In t J  Elec  &  C om p  En g     IS S N:  20 88 - 8708       Complai nt Ana ly sis i n  I ndone sian Lan guage  u si ng WPKE  and RAK E  Alg ori thm   ( Rini W ongso)   5313     I n p u t ( T e x t ) Te x t N o r m a l i z a t i o n K e y w o r d   E x t r a c t i o n K e y w o r d   G r o u p i n g O u t p u t ( G r o u p s )       Figure  1.  The   pro po se d  m et ho d       a.   Keywor d E xt r act i on   Keyw ord  extr act ion   be gin s   after  the  input  te xt  are  norm al iz ed.   We  exp e rim ente d  us i ng   t w o  al gorithm s.  First,  w e  ap ply   R AK E   al go rith m   [8]   to  e xtra ct   the  keyw ords  from   the   T weets  by  s plit t ing  the   tweet s  into  sen te nces  an d  rem ov i ng   the  le ss m eaningfu l  w ords  us in g  sto p  word   li st .  This step   ge ner at e s   li st  of   cand i date  key words.   Ne xt,   a   scor e  is  cal cul at ed  for  each  c and i date  keyw ord  acco r ding  to  the  fr e quenc y  and  known  as  de gre e. An  e xam ple of RA KE  alg or it hm   resu lt  is   show n  i n  Ta bl e 1 .       Table  1.   Keyw ords  e xtracte d by us i ng RA K E   Inp u t   Key wo rds   “ k ecewa  o rder  Go x x x   tap i tidak  ada tn g g ap an  dari su p ir  su p ir  saya  tel ep o n  tidak  m e n jawab s i su p ir  sn d ri  ju g a tidak   m en elp o n   saya”   [ ('kec ewa order  g o x x x ,  1 0 .0),  ('si su p ir  sn d ri',   7 .02 6 6 6 6 6 6 6 6 6 6 6 6 7 ),  ( 'tn g g ap an ',  2 .0),  (' m en elp o n ',  2 . 0 ),   ('telepo n ',  2 .0),  ('su p ir  su p ir',  0.7 2 0 0 0 0 0 0 0 0 0 0 0 0 0 1 )]       Ther e  ar e  6  cand i date  keyw ords  e xtracted  f ro m   the  Tweets  each  with  it s  scor e.  Acc ord ing ly ,  with   the  sc or e,   the   final  keyw ord   of  this   sente nc e  is  key wor d  with  t he  high est   value   w hic h  is  “ kece wa  order   goxxx” .  W e   th en  eval uate  by   requesti ng  s om e  peo ple  w ho  un der sta nd   I ndonesi an  la nguange  to   re view  the   keyw ords  ob ta ined  by  this  al gorithm ,  and   t he  res ult  is  not   sat isfact or y.  Af te r  so m e  exp erim ents  and   analy sis,   we  pro po se d  a   m e tho d  cal le d  W P KE   ( Weig ht  P rior it y  Ke yword   Ext racti on)  w hich  w orks  base d  on  ce rtai n  weig hting sc he m es. S te ps   of t he  m et ho d  is  il lustrate d by Fi gure  2.       I n p u t ( T e x t   i n   N o r m a l   F o r m ) P a t t e r n   A n a l y s i s W e i g h t   I n i t i a l i z a t i o n W e i g h t   A d j u s t m e n t S o r t i n g   a n d   R a n k i n g O u t p u t ( K e y w o r d )     Figure  2. O ur  pro po se d WP K E m et ho d       WPKE  m et ho d  be gin s  by  de fining  the  pat te rn   of  the  t w eet .  Ba sed  on  our  analy sis,  t he  ty pical ly  var ia ti on  of  a  keyw ord  in  a  tw eet   is  con struc te d  from   the  fo ll ow i ng   patte r ns :  (1)  N oun  +   Noun,  ( 2)   N oun,  ( 3)  Verb + N ou n,  (4)  P ron oun.   At f irst, we  gi ve  an  init ia l weigh t for each  w or d  ty pe  accor di ng  to patt ern   w it h  the  fo ll owin g  r ules   descr i bed   i n  T able  2.   We  gi ve   a  value  of  1  f or   Nou n,   beca us e  usual ly   the   thing   to  disc uss  in  a   sentence  is  ab ou t  an  obj ect .  Me anwhil e,  th e  init ia l  weigh t  fo r  an  a dj ect i ve  is  0,   since  the  ad j ect ive  is  no t  a   ty pical   keywo r d  wh ic h  can  show  the  esse nce   of   a  tweet ,  bu t   it  is  us ually   us ed  in  a  sentenc e  relat ed  to  a  no un.   A  value   of  0.5  and  0.1   are   gi ve n  to   Verb  a nd  Pro noun  re sp e ct ively ,  accor di ng   t o  t he  poss ibil it y  a  keyword  i n  a tweet  is a  Ve rb or P ron oun.  Othe r  ty pe of   words that a re  no t  desc ribe d  i n  Ta ble  2  is i gnore d.       Table  2.   In it ia l  W ei ght R ules  in  WPKE m et hod   Ty p e   Initial  W eig h t   No u n   1   Verb   0 .5   Pron o u n   0 .1   Ad jectiv e   0   Evaluation Warning : The document was created with Spire.PDF for Python.
                          IS S N :   2088 - 8708   In t J  Elec  &  C om p  En g,   V ol.  8 , N o.   6 ,  Dece m ber   201 8   :   5311   -   5317   5314   Fu rt her m or e,  t he  cu rr e nt  wei gh t  is  ad justed   based   on  the   order   i n  w hic h  the  word   is   form ed  as  sh ow n  in  ta ble  3.   T he  ca nd i da te   scor e  is  ca lc ulate d  us i ng   the  f or m ula:  C andidate  Sc or e   =  I niti al  Wei gh t   –   Wor d  Dista nc e  +  Ad diti onal   Wei gh t.  F or   e xam ple,  a  no r m al iz ed  tweet s  "Say a  kecewa   nasinya  ba u”  has  a   ty pe  of   w ord  “Pron oun  A djec ti ve  Noun   A dj ect ive”.  Each  word   in  the  tw eet   is  pr ocesse d  sta rted  from   the  first   word  “say a”  p rod uces  phrase   com bin at ion s   of   “ say a  kece wa”,  “s ay a  nas inya ”,  an d  “ sa ya   bau ” .  T he  s econd   word   “ kece wa ”  produces  phr ase  com bin at ion s  of  “k ecewa  nasinya”  a nd   “ kecewa  ba u”,   wh il e  the  thir d  wor d  on ly   produces  on e  phr a se co m bin at ion  of “ nasinya  bau ” . T he  sc or e   f or c and i date “say a  kecewa”  is  - 0.9 whe re   the  init ia l  weig ht  of   t he  w ord  “say a”  (P r onoun)  is  0.1 ,  the  word   distance  betwee n  “say a ”  and   “ kece wa ”  is  1  and  the   ad diti on al   wei gh t  is   0  ( beca us e  t he re  is  no  patte rn  f or m ed  as   sh ow n  i n  T a bl e  3   bel ow ).  F or  the   rem a ining   can did at e:   “say a  na sinya ”,  “say a  bau ” ,  “ kecewa   nasinya”,   “ke cewa  bau ” ,  a nd  “ nasinya  bau”  ha ve   cand i date  sc ore  - 1.9 ,  - 2.9,  - 1,  - 2,   a nd  0.5  r especti vely .  T he  fi nal  key w ord  we  ob ta in ed  is  the   one  with  th e   highest ca nd i da te  sco re .       Table  3.   Weig ht Ad j us tm ent  Rules i n WP K E m et ho d   Patterns   Ad d itio n al W eig h t   No u n +“ ti d ak ” +  A d jectiv e   1   No u n +No u n /Verb +Ad jectiv e   0 .5   No u n  +  No u n   0 .5   Oth ers   0       b.   Keywor d Gr oupi ng   Ty pical ly ,  sever al   tweet s  ha ve  the  sam e  m ai n  top ic ,  th eref or e  we  wa nt  to  gro up   t hose  sim il ar   keyw ords  int o  a  group  a nd  r a nk   t hem .  The  gr ou ping  m e thod  is  base d  on  the  gi ven   in put  of   T witt er  acco un t o r   top ic .  W e  pr e pa red   the  data  in  pr i or   to  key word   gro up i ng  by  qu eryi ng  from   database,  t he  data  of :  “ke pad a ” ,   “per i hal”,  “t w eet _h asi l” ,  an d  “i nti”.  Thes e  data  are  ob t ai ned   f ro m   the  no rm al iz at io n  process ,  exc ept  for   “i nti”, w hich w e g et  fr om  k ey word ext racti on  process a s m entione d  i n  Se ct ion   2.1.  T he qu e ry r es ult i s  filt ered  accor ding  t o  c ertai n  crit erias   of :  (1)  fin ding  tweet s  c onta ining  the  i nput   in  “ kep a da”  or   “ pe rihal”  w it ho ut   hav i ng   pe rf ect   m at ch  (%input%),  (2)  the  input  m us t  no t  be  pr ece de d  by  any  oth e r   char act er s  to   avo i d  irreleva nt  twee ts  bein g  proce ssed.  T he  detai ls  of  the  seco nd  c rite ria  can   be  see n  i n  Ta bl e  4  belo w.   Th e  la st  row  s hows  “re je ct ed”  sta tus  since the  “a b”  a ppears  in  a  wo rd “ak r ab ” i n  the  tweet.        Table  4.  T weet  Processi ng Cri te ria   Inp u t   Tweet   Statu s   ab   saya  k ece wa den g a n  ab   Accepted   ab   saya  k ece wa den g a n  abcare   Accepted   ab   ab   m en g ecewakan   Accepted   ab   ab care   m en g ecewa k an   Accepted   ab   Say a  kecewa  tid ak  akrab   Rejected       Keyw ord  gro upin g  beg i ns   by   ad ding  a  flag   to  giv e  a   sta tus   wh et her  a  twee t  has  bee n  proc essed.  T he  keyw ord  phras e  ob ta ine d  fro m   “i nti”  is  div ided  int o  w ord   to  searc h  f or   a  keyw ord  wit hout  ha ving  to   hav e  a   perfect   phrase   m at ch.   These   w ords   are   use d  t o  sea rch  f or  the   sam e  gr ou p  of  w ords   in  oth e r  t wee ts.  T he   al gorithm   cal c ulate s  the  f requen cy   of   occ urre nces  of   a  ke ywo rd   a gains t  keywor ds   f rom   oth er  tweet s .  Thi s   process  pro du c es  the  orde r  of  words  that  m o st  of te n  a pp e ar ,  whereas  the  s a m e  resu lt   is  or de red   by  the  le ng t h  of   t he  wor d  in  ascen ding  orde r.   T he  e xam ple  res ults  of  key word  gr ouping   is  show n  i n  Fi gure  3.   The  ke yword   in  tweet - 5  doe s  not  giv e   a  c ontrib utio n  valu e  to  t he  w ord  1  an d  w ord  2,  t her e fore  t his  t weet  go es   t o  ke ywo rd  gro up i ng   agai n  (lo op).    T he  ori gin al   se ntenc e  of  tweet - 5  is  “i ntern et nya  la m bat  payah  bu at   kecewa   be ra t  aja”   wh e re  the  w ord  “i nter net”  m akes  this  twee t  disp la ye d  fro m   the  qu ery  r esults.  Wh en  t her e  is  no  res ult  of  qu e ryi ng  word  1  a nd 2 of t we et - 5,   this  keyw ord g oes  to  the  Ex te nd e d Gro up i ng phase .        Evaluation Warning : The document was created with Spire.PDF for Python.
In t J  Elec  &  C om p  En g     IS S N:  20 88 - 8708       Complai nt Ana ly sis i n  I ndone sian Lan guage  u si ng WPKE  and RAK E  Alg ori thm   ( Rini W ongso)   5315       Figure  3. Key word G r ouping  Ex am ple       We  e nh a nce d  the  groupin g  process  t o  get  si m il ar  tweet s  that  has  no t  bee n  pr ocesse d  to   be  gro upe d  tog et he r.   This  is  need e d  t o  re du ce   the  num ber   of  c om plaint  keyw or ds   tha t  is  sh ow n  in  t he  c har t.  Exte nde d  gro up i ng   ba sic al ly   us es  the  list  of   keyw ords   that  has  the  m os t   si m il ar  s et   of   wor ds   to   search  f or   the   righ t   keyw ord  in  t he   tweet .  T his  proces s  m ulti pli es  keyw ord  t ha t  has  a  high  s cor e  a nd  le t  th e  keyw ord  that   has  a  l ow   sc ore  to   be   filt ered .   S or ti ng  in  t he  pr e vi ou s   ste p  is  im p or ta nt  to  deter m ine  wh ic h  ke yword  will   be  giv e n  the  first  opport un it y  to  fi nd   t he   keyw ord  in  t he  tweet   that  ha s  not  bee n  pr ocesse d.   E xten ded   gro upin g  proces s  will   get  keywo r d  with  the  hi gh est   sco r e  and   sea rch   f or   a  m at ch  towar ds   the  sente nc es  that  has  the  sa m e  keyw ord,   an d  j us t  li ke  pr e vious  keyw or d  gro up i ng   proces s,  the  sc or e  will   be  add e d,   a nd   the   flag    sta tus w il l be  upd at e d.       3.   RESU LT S   A ND AN ALYSIS     Our  e xp e rim e nt  is  do ne  on  a  sm a ll   set   of   data  ( 50  tweet s)  ret rieve d  f r om   tweet s  m e ntion i ng  tw o  te le com m un ic a ti on   se rv ic e   c om pan ie s  in  I ndonesi a,  w he re  in   this  pa pe r  the   nam es  are  dissem ble d  as:   ‘@ c om 1’   an d  ‘ @co m 2’   us in g  the  ha sh ta g  “ kom plain”  (#k om pla in).   Othe r   com pan y  we  di scusse d  as  e xa m p l e   in  this   sect ion  is  c omm ercial   com pan y  in   I ndonesi a,  di ssem bled  as  ‘ @co m m 3’ .  All  the  tweet s  a re  in   Ind on esi a n  la ngua ge.   Ba se d  on   t he  ex per i m ent  of   key w ord  ext racti on  RAKE  a nd   WPKE,  we  ob ta in  the  fo ll owin g res ult as sho wn in T able 5.        Table  5.  C om par iso n of Key wor d E xtracti on  us in g  R AKE  and  WPKE     Nu m b e r  o f  Co rr ect   Key wo rds   Nu m b e r  o f  I n co rr e ct  Key wo rds   Percentag e   RAKE   6   44   12%   W PK E   18   32   36%       Ba sed  on  the  resu lt   descr ibe d  in  Table  5,   WPK E  m et ho d  su ccess fu ll y  ob t ai ned   18  co rr e ct   keywo r ds   (36% )  from   50   tweet s,  m eanw hile  RA KE  al gorithm   can  on ly   ob ta in  6  correct   keyw ord s  (12%).  Chec king  is   done  m anu al ly   by  sel ect ed  re viewe rs  by  gi vi ng   t hem   the  da ta   tweet s  an d  ask  them   for  th e  keyw ords .  C orrect  keyw ords  fro m   26   tweet s  ( 52%)  ca nnot  be   fou nd  ei ther   by  RA KE  or  WPKE.  For  e xam ple,  in  a  t weet  of:   “(@c om 1)   j a ring a n  c omm 1  ken apa   ni h  le le tnya   supe r  ( #kom pla in)”,   us in g  RA KE   we  obta ined   key wor d  of   “l el et nya  su p er ”  wh il e  us in g  WPKE  we  ob t ai ned   “ j arin ga n  com m 1”.   In   this  exam ple,  WPKE  is  cons idere d  correct ,  a nd  R AK E   is  i ncorre ct .  The   er r or   in  RA KE   al go rithm   can  be   s een  from   the  s el ect ion   of  w ords   that  fail ed  to   be   no r m al iz ed  because   of  the   E ng li sh   wor d  “s uper ”,  w hi le   WPKE  su cce ssf ully   extract  the   co m pla int   keyw ord  as  the  p at te r n of  “ N oun +  Nou n”  is  fou nd.    Accor ding  to  our  a naly sis,  in  sever al   case s  R AK E   te nds  to  t ake  m os t  of   th e  tweet   as  the  keyw ord,   a s   in  tweet   of  “( @co m m 3)   kal au  em ang   ti dak  bisa  na nogram   bar a ng  p a s  ha r i  sabtu  ti da k  usa h  em ai l  pesan   kirim   bar a ng  buan g - bu a ng  wa ktu   aj a  (# S AMP AH)   (# K om plain)”,   RAKE  gi ves  a  lon g  ou t pu t  as   “e m ail  pesan   kirim   bar a ng  buan g - bu a ng”  that  af fects  the  key word   s earc h  r esult.  Ba sed  on  the  res ult,  WPKE  pr ov i de   m or e   pr eci se  outp ut   because   of   the  abili ty   to  reco gniz e  patte rn s  t hat  hav e  be en  adjuste d  to  the  keyword   patte rn s  of   com plaint  in  In do nesian  la ng uag e ,  w hile  the  RAKE  al gor it h m   has  a  disadv a ntage  due   to  the  us e  of  a  stop  word  li st  that  is  not  sup porte d  with  a  c om plete   li st  of   sto p  word s   in  Ind on e sia n  la ngua ge.   T he  la c k  of  sto p  Evaluation Warning : The document was created with Spire.PDF for Python.
                          IS S N :   2088 - 8708   In t J  Elec  &  C om p  En g,   V ol.  8 , N o.   6 ,  Dece m ber   201 8   :   5311   -   5317   5316   words  m akes  the  RAKE  al gorithm   te nd s  to  pr od uce  longe r,   le ss  preci se  keyword,  and   le ads  to   la rg e r   com pu ta ti on al   loads  as  the  num ber   of   w ord  checks  increas es  with  the  lo nger  keyw ord  obta ined .  The  R A K E   al go rithm   al so   has   a  m or e  s uitable   m et ho d  us e d  f or  key word  e xtracti on  of  a  docum ent,  not  f or  te xt  li ke  m ic ro blogs  tha t  on ly   has  a  m axim u m   le ng th   of   14 0  char ac te rs.   More over ,  RAKE  to ke nized  w ord  acco rdi ng   to  a  li st   of   stop   w ords   and   co ntin ue d  with  freq uen cy   cal cula ti on ,  de grees,   and   the  ap pear a nce     of wor d  i n  the   do c um ent.    We  obta ine d  the  f ollo wing  r esult  as  can  be   seen  in  Ta bl e  6  f or   t he  gr ouping  proces s  us in g  bo t h  keyw or d g rou pi ng   a nd  ext e nded gr ouping.         Table  6.  C om par iso n of Key word G r ouping  and E xten de d  Groupi ng     Key wo rd  Grou p in g   Exten d ed  Gr o u p in g   Total   21   28   Percentag e   5 2 .25 %   70%       The  re su lt   in  Table  6  a bove   is  ob ta ine d  from   a  total   of   40   data,  ta ken   rand om l y  fr om  Twitt er  wi t h  the  “k om plain ”  has htag  i n  I ndonesi a n  la ng ua ge,   a  dif fer e nt   data  set   f r om   t he  on e  us e d  for  key wor d  ext r act ion   above.  Ba se d  on   Ta ble  6  a bove ,  it   can  be  seen  that  by  doin g  the  it erati on   twic e,  key word   gro up i ng  that  is   con ti nue d  by  e xten ded   gro up i ng,  there  is  a n  increase  o f  17. 25%.  T otal  of   data  desc ribe d  above  is  the  num ber   of  data   su cce s sfu ll y  groupe d  to gether,  a nd  per ce ntage   is  t he  num ber   of  data  that  is   s uc cessf ully   gro up e d  in  pro portion   t o  the  total   nu m be r  of  data.  T here  are  12  data  that  can no t  be  f ound  by  exte nded  gro up i ng   be cause   no  data  passes   to  create   a   ne w  set .  For  e xam ple,  there  is  a  com plaint  ab ou t  c om 2  nam e ' ,  wh ic h  sh ow s   com plaints  of   disap pointm ent  of   w hy,  us i ng  the  nam e  of   com 2,   bu t  bec ause  only   a  fe w  (in  this  case   on ly   1)   com plain,  the n  the  data  is  no t  fea si bl e,  and   a  ne w  gro up  is   no t  c reated   as  it   will  br i ng    up an u npr oces sed  t weet.   Ba sed  on  t he  r esult  of  Ta ble  5  an d  6,   we  do   ano t her   ex per i m ent  by  com par in g  the  res ult  of   R A KE   com bin ed  with   Exten ded   Gro up i ng   with  res ult  of   WPKE  with  Keyw ord   Groupin g  an d  Exte nded  Gro up i ng ,   and  we   obta ine d  the   f ollo wing  re su lt   as  c an  be  see n  on  Ta bl e  7  belo w,   us i ng  an oth e r  dat a  set   of  48  dat a  from   Twitt er acc ount  o f  @c om 1  an d @com 2,   bo t h  a re tel ecom m un ic at ion  servic e com pan ie s in Ind on e sia .         Table  7.  E xper i m ent Result     W PK E  +   Ke y wo rd   Grou p in g   W PK E  +  Ke y wo rd  Gr o u p in g  +  Exten d ed  Gr o u p in g   RAKE +  E x ten d ed   Grou p in g   Total   27   35   17   Percentag e   5 6 .25 %   7 2 .92 %   3 5 .42 %       An  exam ple  of   a  s uccessful  t weet  pr ocesse d  by  exte nd e d  gro up i ng  is  th e  tweet   of  “ ( @co m 2)   say a  m au  ta nya  ini  ken a pa  j a rin ga n  c om 2  di  te le pon  say a  di  da erah  ka bupate n  Kendal  kok  sinya lnya   ti da k  a da   (#k om plain)  pl ggn”,   i n  this  ke ywo rd   gro up i ng,  we  obta ine d  a  key wor d  of  “dae rah   ka bupaten”,  m eanwhil e  after  e xten de d  gro up i ng  proce ss,  we  ob ta ine d  “ j ari ng a n”.  T his  is  du e   to  ke yword   that  is  gro uped   in  first  tweet   can  c hange  th e   keyw ord  t o  “j arin gan ”  a s  in  con ta in s  the  w ord  “ j ari ng a n”  and  the  posit ion   of  “ j ari ng a n”   that   has  t he hig hest score,  so i t i s p ri or it iz ed  i n d oing sea rch i ng.     We  vis ualiz ed  the  res ults  of   c om plaint  analy si s  by  us in g  a  char t  wh e re  th e  horizo ntal  ba r  desc ribes   the num ber   of  t weets that  c onta ins c om plaint s of ce rtai n  to pi cs, as  ca n be s een in t he f ollo wing Fi gure  4.           Figure  4. Ba r C har t  for  C omplai nt Analy sis t ow a r ds   @com 2   Evaluation Warning : The document was created with Spire.PDF for Python.
In t J  Elec  &  C om p  En g     IS S N:  20 88 - 8708       Complai nt Ana ly sis i n  I ndone sian Lan guage  u si ng WPKE  and RAK E  Alg ori thm   ( Rini W ongso)   5317   4.   CONCL US I O N     Ba sed  on  the  exp e rim ents  con duct ed ,  we  co nclu de  the  fo ll ow i ng :  ( 1)   WPKE  m e tho d  as  pro po se d  in  the  resea rch   s hows  a  sig nifica nt  increase  i n  a ccur acy   c om par ed  t o  RA KE  Algorithm   du e   to  the  fact  tha t  stop   word  li st  in  I ndonesi a n  la ng ua ge  is  no t  well   de velo ped  ye t.  ( 2)  The   res ult  obta ined   usi ng  WPKE  +  Ke yword   Groupi ng   +  E xten ded   Gro uping   ha s  the  accuracy  of  72. 92%  w hich  e xc eeds  RA KE  +  Exten ded   Gro up i ng  with  on ly   35.42%.   I n  the  f uture,  we  plan  t o  dev el op  sto p  w ord  li st  in  Ind onesi an  la ngua ge   as  it   can  le a d  to  a  sign ific a nt im pr ovem ent f or  a ll - natur al   la ngua ge pr ocessi ng in In donesia n l anguag e .        REFERE NCE S   [1]   K.  A.  Al - Ene z i,  I.   F.   T .   Al  Sha ikhl i,  and   S.  S.   M.  AlDabba gh ,   “ The   Influe n ce  of  Inte rn et   and  Socia l  M edi a   on   Purcha sing  Dec i sions  in  Ku wait , ”  Indone sian  Journal  of  El ec tri c al  Engi nee ring  and  Computer  S ci en ce   ( IJE ECS) ,  vol.   10 ,   no .   2 ,   pp .   792 – 797 ,   2018 .   [2]   C. - L.   Hs u,   C . - C.   Yu,  and  C. - C.   W u,   “ Expl or ing  the   con ti nu anc e  int en ti on  of  socia l  n et wo rking  website s:  an   empiric a l  r ese ar ch, ”   Inf .   S yst. E - bus.  Manag. ,   vo l .   12 ,   no .   2 ,   pp .   1 39 – 163,   2014 .   [3]   R.   A.  Set ia wan   and  D.  B.   Set y ohad i,   “ Anal isi s  Kom unika si  Sos ia l   Media   T witt er  seb aga i   Salura n  L a y an an   Pela nggan   Provi der   Int ern e t  d an S el ule r   di Indon esia , ”  J. I nf .   Syst .   Eng .   Bus.   In tell . ,   vol. 3, no. 1, p p.   16 – 25 ,   2017 .   [4]   P.  K.  Ku m ar  and  S.  Nanda gopal an ,   “ Insights  to  Problems ,   Resea rch   Tr end   and  Progress  in  Te chni qu es  o f   Senti m ent   Anal ysis,”   Inte rnat ion al  Journal  E le c t rical   and  Computer  Engi n ee rin g   ( IJE CE) ,   vol.   7,   no.   5 ,   pp.   281 8 – 2822,   2017 .   [5]   G.  Ghedin ,   “ From   customer  ca r e   to  r el ig ion,   the  Twit ter  exp losio n  in  Indon esia   |   Digit al  in   the  ro und. ”  [Onl ine ] .   Avail a b le :   htt p :/ / ww w.di git alinth ero und. com/indo nesia - twi tt er /. [ Acc essed:  03 - Jul - 2018] .   [6]   N.  Hana fi ah,   A.   Kevin,   C .   Suta nto,   Y.  Arif in,   and  J.  Hart ant o ,   “ Te xt  Norm al i za t ion  Algorit h m   on  Twit te r  i n   Com pla int   C at eg or y , ”  Proce d ia Com put.   Sc i. ,   vo l.   116 ,   pp .   20 – 2 6 ,   2017 .   [7]   R.   Miha lc e a  an d  P.  T ara u ,   “ T ext ran k :  Bring in g  orde r  int o  text, ”   in  Proceed ings  of  th e  200 4  Confe ren ce   o n   Empiric al   Me tho ds  in  Natural   Language  Proc essing ,   2004 .   [8]   S.  Rose,   D.  Eng el ,   N.  Cr amer,   a nd  W .   Cowle y ,   “ Autom at ic   ke yword  ext racti on  fro m   indi vidua l  documents, ”  Tex t  Min.   Appl.  Theo ry ,   pp .   1 – 20 ,   20 10.   [9]   N.  Naw  and  E.   E.   Hl ai ng,   “ Rel e vant   words   ext r a ct ion  m et hod   for   rec om m enda ti o n  s y stem, ”  Bu ll e ti n  of   Elec tri ca l   Engi ne ering  and   Informatic s   ( BEEI) ,   vol. 2, no. 3, pp. 169 – 176,   20 13.   [10]   M.  Jungiewicz  a nd  M.  Łopusz y ń ski,  “ Uns uper vised  ke y word  ex tr ac t ion  from   Polish  le gal   te xts , ”  i n  Inte rnationa l  Confe renc e  on   N atural  Language   Proce ss ing ,   201 4,   pp .   65 – 70 .   [11]   S.  Siddiqi   and  A.  Shara n ,   “ Key word  and  ke y p hra se  ex tracti on   technique s:   a  literat ure   r eview, ”  Int .   J .   Compu t .   Appl . ,   vo l. 109,  no.   2 ,   2015 .   [12]   J.  Gree nber g ,   Y.  Zha ng,   A.  Oglet re e,   G.  J.   Tuc ker ,   and  D.  Fole y ,   “ Thre s hold  Dete rm ina t ion  and  Enga g i ng   Mate ri al s  Sci entists  in  Ontolog y   Design, ”  in  R ese arch  Confe ren ce  on  Me tada ta  an d  Semantic s  Re s earc h ,   2015 ,   pp .   39 – 50.       BIOGR AP HI ES OF  A UTH ORS       Rini   W ongso   ha s c om ple te d   her   bac he lor and  m a ster  degr ee majo ring  Com pute r  S ci en ce i n  B ina  Nus ant ara   Univ e rsit y ,   Jak arta, In donesia   in  2014 .   She  is  a lecture r   and  r ese ar che r   i n  Artificial  Inte lligen ce fi e ld   in  B ina Nus ant a ra  Univer si t y ,   Ja kar ta,  Indon esia.   She  pre v io usl y   worked  as  a  Java   Dev el oper ,   deve lop ing  Bank ing  and   HR S y st em.  She  is i nt eres te d  in   the fi el d   of  Mac hin e  Le arn ing, Com pute r  Vision ,   Na t ura l La ngu age   P roc essing,   Ar ti fi ci a l  Int el l ige n ce  Applic a ti ons,  and  Software   S ystem.         Novita   Han afiah   recei v ed  th e  M. Sc  degr e e in  soft ware   s y s te m   eng ine er ing  from   K MN UTNB,  Tha iland,   in   201 3.   Th e  r ese ar ch about   ent i t y   r ec o gnit ion  w as  con duct ed   in   RW TH  Aac hen   in  2012.   She   is c ur r ent l y   a   lectur e r  a nd  subject  cont e nt  coor d ina tor   in   Bina Nus ant ar a University .   The   m ai n   ar ea s  of  rese arc h  inter est  ar e art if icial i nte lligen ce,  na tu ral   la nguag e  pro ce ss ing  and   software   s y s te m .           Jaka   Hart ant o  h a s  complet ed   his  bac he lor  degr ee  m aj oring  in  Co m pute r  Scie n ce,  and  his  m aste r  degr ee   m aj or ing   Gene ral   Mana g ement  in  Bina   N usanta ra  Univ ersity ,   Jaka r ta,  Indo nesia   in  2007.   He  is  a   a   l ec tur e r  and  r ese ar che r   in  Software   Eng ine er ing  fi el d   in  Bina   Nu sant ara  Univer sit y .   He  is a lso  a  found er   of  PT   BIG, and S y stem Anal y st   at   JJ   know  it .     Evaluation Warning : The document was created with Spire.PDF for Python.