Twitter Analysis Menggunakan R - Studi Kasus Twitter Para Capres 2019
Hand-on Time
Raden Muhammad Hadi
2019-02-28
Catatan:
Semua bagian di dalam teks handout ini dilakukan setelah membuat access token ke API twitter, jika belum silahkan baca file powerpoint yang diberikan
Semua program dibawah ini dijalankan pada R versi 3.5.2, RStudio 1.1.456 dan pada sistem Operasi Linux 16.04 dan Windows 7. Jika ada perbedaan pada hasil yang diperoleh atau terdapat error ketika dijalankan mungkin dikarenakan perbedaan versi pada R maupun pada OS.
Mempersiapkan Package
Pertama, install beberapa package berikut:
install.packages("tidyverse") # Data Science Tool
install.packages("tidytext") # Untuk Text Mining dan Preprocessing
install.packages("rtweet") # Untuk akses ke Twitter API
install.packages("wordcloud2") # Untuk membuat wordcloud
install.packages("graphTweets") # Untuk membuat objek graph/network
install.packages("sigmajs") # Untuk memvisualisasikan graph/network
Setelah itu, panggil semua package dengan fungsi library(nama_package):
library(tidytext) # Untuk Text Mining dan Preprocessing
library(rtweet) # Untuk akses ke Twitter API
##
## Attaching package: 'rtweet'
## The following object is masked from 'package:purrr':
##
## flatten
library(wordcloud2) # Untuk membuat wordcloud
library(graphTweets) # Untuk membuat objek graph/network
## help('graphTweets') for examples
library(sigmajs) # Untuk memvisualisasikan graph/network
## Welcome to sigmajs
##
## Docs: sigmajs.john-coene.com
Menggunakan access token untuk menggunakan Twitter API
Agar bisa mengakses API Twitter, kita perlu membuat access token yang sudah diperoleh melalui https://developer.twitter.com menggunakan fungsi create_token() dari libraryrtweet1 Untuk mengetahui fungsionalitas dan penggunaan lainnya dari rtweet bisa melihat dokumentasi pada https://rtweet.info/. seperti berikut:
Jalankan perintah diatas melalui console maupun R script sehingga muncul output berikut:
Keluaran fungsi create_token()
Setelah itu kita siap untuk melakukan scrapping data Twitter.
Melihat Trending Topics Berdasarkan Negara
Kita bisa melihat berbagai daerah yang bisa dicari topiknya dengan menggunakan fungsi trends_avalible():
# Cari tren yang bisa diakses
trends_available()
## # A tibble: 467 x 8
## name url parentid country woeid countryCode code place_type
## <chr> <chr> <int> <chr> <int> <chr> <int> <chr>
## 1 World… http://wher… 0 "" 1 <NA> 19 Supername
## 2 Winni… http://wher… 23424775 Canada 2972 CA 7 Town
## 3 Ottawa http://wher… 23424775 Canada 3369 CA 7 Town
## 4 Quebec http://wher… 23424775 Canada 3444 CA 7 Town
## 5 Montr… http://wher… 23424775 Canada 3534 CA 7 Town
## 6 Toron… http://wher… 23424775 Canada 4118 CA 7 Town
## 7 Edmon… http://wher… 23424775 Canada 8676 CA 7 Town
## 8 Calga… http://wher… 23424775 Canada 8775 CA 7 Town
## 9 Vanco… http://wher… 23424775 Canada 9807 CA 7 Town
## 10 Birmi… http://wher… 23424975 United … 12723 GB 7 Town
## # … with 457 more rows
Kita bisa melihat trending topics saat ini menggunakan fungsi get_trends("nama negara/daerah"):
# Dapatkan trending topics dari 'Indonesia'
get_trends("indonesia")
## # A tibble: 50 x 9
## trend url promoted_content query tweet_volume place woeid
## <chr> <chr> <lgl> <chr> <int> <chr> <int>
## 1 #Caw… http… NA %23C… NA Indo… 2.34e7
## 2 #Ema… http… NA %23E… NA Indo… 2.34e7
## 3 #Ema… http… NA %23E… 30053 Indo… 2.34e7
## 4 #DIY… http… NA %23D… 11550 Indo… 2.34e7
## 5 Brun… http… NA %22B… NA Indo… 2.34e7
## 6 #BLA… http… NA %23B… 127581 Indo… 2.34e7
## 7 Ratn… http… NA %22R… NA Indo… 2.34e7
## 8 Motif http… NA Motif NA Indo… 2.34e7
## 9 Madr… http… NA Madr… 521550 Indo… 2.34e7
## 10 Sela… http… NA %22S… NA Indo… 2.34e7
## # … with 40 more rows, and 2 more variables: as_of <dttm>,
## # created_at <dttm>
Kita bisa menyimpan hasilnya ke dalam sebuah variabel untuk analisis lebih lanjut, misalnya ke dalam variabel trending_indo:
# Memasukkan nilai dari fungsi get_trends ke variabel trending_indo
trending_indo <- get_trends("indonesia")
# memanggil trending_indo
trending_indo
## # A tibble: 50 x 9
## trend url promoted_content query tweet_volume place woeid
## <chr> <chr> <lgl> <chr> <int> <chr> <int>
## 1 #Caw… http… NA %23C… NA Indo… 2.34e7
## 2 #Ema… http… NA %23E… NA Indo… 2.34e7
## 3 #Ema… http… NA %23E… 29268 Indo… 2.34e7
## 4 #DIY… http… NA %23D… 11367 Indo… 2.34e7
## 5 #BLA… http… NA %23B… 126206 Indo… 2.34e7
## 6 Brun… http… NA %22B… NA Indo… 2.34e7
## 7 Ratn… http… NA %22R… NA Indo… 2.34e7
## 8 Madr… http… NA Madr… 521068 Indo… 2.34e7
## 9 Sela… http… NA %22S… NA Indo… 2.34e7
## 10 Hote… http… NA %22H… NA Indo… 2.34e7
## # … with 40 more rows, and 2 more variables: as_of <dttm>,
## # created_at <dttm>
Kita bisa melihat berbagai fitur yang terdapat dalam variabel tersebut dengan menggunakan fungsi glimpse() dari librarydplyr dan pipe operator %>% dari librarymagrittr2dplyr dan magritrr adalah bagian dari satu library besar yaitu tidyverse yang bisa dipelajari lebih lanjut melalui https://www.tidyverse.org/:
# Dari trending_indo
trending_indo %>%
# Lihat struktur data keseluruhan
glimpse()
Kolom trend berisi tren yang saat ini ada/muncul di daerah Indonesia
Kolom url berisi alamat url terkait trending topics yang dilihat
Kolom tweet_volume berisis jumlah banyaknya topik/hashtag tersebut digunakan oleh pengguna twitter
Kolom place dan woeid adalah negara dan id negara dimana trending topics diperoleh
Kolom created_at adalah waktu kapan trending topics tersebut muncul
Kita bisa memilih beberapa variabel diatas dengan menggunakan fungsi select(nama_kolom):
# Dari trending_indo
trending_indo %>%
# pilih kolom trend dan kolom tweet_volume
select(trend, tweet_volume)
## # A tibble: 50 x 2
## trend tweet_volume
## <chr> <int>
## 1 #CawapresGueKeren NA
## 2 #Emak2KorbanRezimJKW NA
## 3 #Emak2Korban02 29268
## 4 #DIYogyakartaPilihPrabowoSandi 11367
## 5 #BLACKPINKxBILLBOARD 126206
## 6 Bruno Mars NA
## 7 Ratna Sarumpaet NA
## 8 Madrid 521068
## 9 Selamat Hari Gizi Nasional NA
## 10 Hotel Sultan NA
## # … with 40 more rows
Hasil yang dikeluarkan di console cenderung lebih ringkas karena struktur data yang digunakan adalah tible, sehingga keluaran yang diperlihatkan paling banyak hanya 10 baris. Kita bisa mengatur banyak keluaran yang ingin dimunculkan pada console dengan menggunakan fungsi print(n = banyak_keluaran):
# Dari trending_indo
trending_indo %>%
# pilih kolom trend dan kolom tweet_volume
select(trend, tweet_volume) %>%
# perlihatkan sebanyak 100 baris
print(n = 100)
Dapat dilihat bahwa ternyata terdapat beberapa trend yang tidak memiliki tweet_volume atau bernilai NA. Kita bisa mengeliminasi nilai NA dengan menggunakan fungsi filter():
# Dari trending_indo
trending_indo %>%
# pilih kolom trend dan kolom tweet_volume
select(trend, tweet_volume) %>%
# filter kolom tweet_volume dimana nilainya tidak boleh 'NA'
filter(tweet_volume != "NA")
Jika dilihat, nilai NA sudah tidak ada lagi. Selanjutnya kita ingin melihat tren mana yang memiliki volume terbesar dengan menggunakan fungsi arrange() dan menggunakan fungsi desc() untuk mengurutkan data berdasarkan kolom tertentu:
# Dari trending_indo
trending_indo %>%
# pilih kolom trend dan kolom tweet_volume
select(trend, tweet_volume) %>%
# filter kolom tweet_volume dimana nilainya tidak boleh 'NA'
filter(tweet_volume != "NA") %>%
# disusun berdasarkan tweet_volume secara descending
arrange(desc(tweet_volume))
Selanjutnya, kita bisa membuat wordcloud dengan menggunakan fungsi wordcloud() dari librarywordcloud23 dokumentasi terkait wordcloud2 beserta contohnya dapat dilihat pada link berikut atau bisa mengunjungi r-graph gallery.:
# Dari trending_indo
trending_indo %>%
# pilih kolom trend dan kolom tweet_volume
select(trend, tweet_volume) %>%
# filter kolom tweet_volume dimana nilainya tidak boleh 'NA'
filter(tweet_volume != "NA") %>%
# disusun berdasarkan tweet_volume secara descending
arrange(desc(tweet_volume)) %>%
# buat wordcloud dengan ukuran huruf 2
wordcloud2(size = 2)
Analisa Tweet Berdasarkan Hashtag, Mention atau Keyword
Kita bisa melakukan pencarian untuk topik tertentu berdasarkan hashtag, mention maupun kata kunci apapun menggunakan fungsi search_tweet. Sebagai contoh saya mencari hashtag #rstats:
# Cari tweet dengan hashtag #rstats sebanyak 100 lalu masukkan ke variabel 'hasil_pencarian'
hasil_pencarian <- search_tweets(q = "#rstats", n = 100)
## Searching for tweets...
## Finished collecting tweets!
# perlihatkan nilai dari hasil_pencarian
hasil_pencarian
Untuk sekali pemanggilan, terdapat 88 variabel dengan diantaranya:
user_id (tipe data: character) merupakan ID dari pengguna Twitter
status_id (tipe data: character) merupakan ID dari status pengguna
created_at (tipe data: date-time) merupakan informasi terkait kapan status tersebut dibuat
screen_name (tipe data: character) merupakan nama dari pengguna Twitter
text (tipe data: character) merupakan status/tweet dari pengguna Twitter berdasarkan user tertentu
display_text_width (tipe data: double) merupakan panjang kata dari tweet yang dikirimkan
mentions_screen_name (tipe data: list) merupakan nama dari user yang di-mention pada teks
profile_image_url (tipe data: character) merupakan link dari profil pengguna
Kita juga bisa melakukan pencarian dengan menggunakan kata kunci (keyword), misalnya kata ‘politik’ dengan tweet berbahasa indonesia sebanyak 3200:
# Cari tweet dengan kata kunci 'politik' sebanyak 3200 tweet lalu masukkan ke variabel 'hasil_pencarian2' dengan bahasa yang dipakai adalah bahasa indonesia
hasil_pencarian2 <- search_tweets(q = "politik", n = 3200, lang = "id")
## Searching for tweets...
## Finished collecting tweets!
# perlihatkan nilai dari hasil_pencarian2
hasil_pencarian2
Catatan: Terkadang tweet yang diperoleh tidak selalu sama dengan jumlah maksimal, jika ingin mengambil lebih dari 3200 maka harus menggunakan parameter retryonratelimit = TRUE.
Selanjutnya kita juga dapat melihat frekuensi keyword tersebut digunakan menggunakan fungsi ts_plot():
# Dari hasil pencarian
hasil_pencarian2 %>%
# buatkan grafik time-series frekuensi kata kunci tersebut
# dipakai dalam tweet per menit
ts_plot(by = "minutes")
Kita bisa mengganti nilai dari parameter by dengan seconds, minutes, hours, days, weeks, bahkan dengan keterangan waktu semisal 3 seconds, 3 days dan lainnya.
Sepertinya hasil plot kurang menarik. Kita bisa menambahkan judul dan memperbaiki tema dari grafiknya dengan menggunakan beberapa fungsi dari ggplot24 Dokumentasi terkait ggplot2 dapat dilihat pada situs https://ggplot2.tidyverse.org/. seperti berikut:
# Dari hasil pencarian
hasil_pencarian2 %>%
# buatkan grafik time-series frekuensi
# kata kunci tersebut dipakai dalam
# tweet per menit
ts_plot(by = "minutes") +
# Menggunakan theme_minimal
theme_minimal() +
# Memberikan judul plot dengan
# elemen teks tebal (bold)
theme(plot.title = element_text(face = "bold")) +
# Menambahkan beberapa elemen
labs(
# Berikan label untuk x
x = "waktu dalam menit",
# Berikan label untuk y
y = "frekuensi",
# Berikan judul
title = "Frekuensi Tweet dengan kata Kunci 'Politik'",
# Memberi sub-judul
subtitle = "per menit",
# Memberi caption
caption = paste0("Sumber: Twitter, tanggal: ", Sys.Date())
)
Selanjutnya kita akan melihat semua tweet tersebut dengan melihat variabel text:
# Dari hasil_pencarian2
hasil_pencarian2 %>%
# Pilih kolom teks
select(text)
## # A tibble: 3,117 x 1
## text
## <chr>
## 1 Dedikasi ibu Ratna sarumpaet hancur karena politik hoax #Emak2Korban02 …
## 2 "✅Para Suami/Bapak.\nIngat kan istri untuk berhati hati kalau ada ajaka…
## 3 "Tak akan terjadi 😉\nMamakke sdh teredukasi cukup baik tntg politik di …
## 4 Ratna Sarumpaet: Ada Ketegangan Luar Biasa Saat Penyidikan, Ini Politik…
## 5 "Emak emak gk bakalan hirau dgn politik kalo keadaan baik2 saja, ini mh…
## 6 "Pakar LIPI : ''Ada beberapa data saat debat yang disebutkan Jokowi kel…
## 7 Hidup, milenial! https://t.co/Cdsism6qQG
## 8 "Kata orang, tidak ada kebetulan dalam Politik\n\nSaya setuju https://t…
## 9 "Tak sensitif langsung kepada perasaan keluarga Arwah. \nBukan semua p…
## 10 Daripada harus susah-susah mengabdi untuk partai politik, lebih baik la…
## # … with 3,107 more rows
Jika dilihat, terdapat beberapa teks yang mengandung hashtag (#), link, mention (@) dan kadangkala terdapat teks yang memuat emoticon. Hal ini bisa dibersihkan dengan menggunakan fungsi mutate, gsub() dan plain_tweets():
# Dari hasil_pencarian2
hasil_pencarian2 %>%
# Pilih kolom text
select(text) %>%
# Ubah elemen pada kolom text dengan mengganti
# semua link dengan karakter kosong
mutate(text = gsub(pattern = "http\\S+",
replacement = "",
x = text)) %>%
# Ubah elemen pada kolom text dengan mengganti
# semua hashtag dengan karakter kosong
mutate(text = gsub(pattern = "#",
replacement = "",
x = text)) %>%
# Ubah elemen pada kolom text dengan mengganti
# semua mention dengan karakter kosong
mutate(text = gsub(pattern = "@",
replacement = "",
x = text)) %>%
# Bersihkan karakter lainnya (contoh: emoticon)
# lalu simpan ke dalam variabel text_cleaned
plain_tweets() -> text_cleaned
Catatan:
Ada 3 jenis operator assignment di R, yaitu <-, =, dan ->. Operator <- dan = memiliki fungsi yang sama yaitu memasukkan nilai dari sebelah kanan operator ke variabel (contoh: nilai <- 3 atau nilai = 3), sedangkan -> memasukkan nilai dari sebelah kiri operator ke variabel (contoh: 3 -> nilai)
Selanjutnya kita akan melihat wordcloud dari teks yang sudah dibersihkan dengan memotongnya menjadi per kata dengan fungsi unnest_tokens() dan menghitung frekuensu huruf dengan fungsi count()5 fungsi unnest_tokens() dan count() adalah bagian dari tidytext. Referensi terkait tidytext dapat melihat situs https://www.tidytextmining.com/.:
# Dari variabel text_cleaned
text_cleaned %>%
# tokenize setiap kalimat menjadi per kata
unnest_tokens(input = text, output = token) %>%
# hitung frekuensi semua huruf lalu urutkan
# dari yang paling besar frekuensinya
count(token, sort = T)
## # A tibble: 6,654 x 2
## token n
## <chr> <int>
## 1 politik 3098
## 2 dan 1320
## 3 yang 1097
## 4 di 1020
## 5 emak 1018
## 6 saya 770
## 7 tidak 757
## 8 yg 702
## 9 ini 663
## 10 ada 568
## # … with 6,644 more rows
Jika diperhatikan, terdapat kata-kata seperti kata ‘ini’, ‘di’, ‘dari’, ‘itu’ dan kata-kata lainnya yang tidak memiliki makna atau memuat topik tertentu di dalam sebuah teks, kata-kata ini biasa disebut sebagai stopwords. Stopwords dapat dihilangkan dengan mudah selama kita memiliki korpus6 Korpus (corpus) adalah koleksi teks yang besar dan terstruktur. Biasanya digunakan untuk analisa statistik dan pengujian hipotesis terkait stopwords. Korpus ini bisa kita buat sendiri atau menggunakan yang sudah ada seperti yang bisa diperoleh dari github masdevid berikut dengan menyalin link github tersebut lalu masukkan ke dalam fungsi read_csv() agar korpus tersebut bisa diambil:
# Ambil stopwords dari link, beri nama kolomnya 'stopwords'
# hasilnya disimpan ke dalam variabel 'stopword_indo'
stopword_indo <- read_csv("https://raw.githubusercontent.com/masdevid/ID-Stopwords/master/id.stopwords.02.01.2016.txt",
col_names = "stopwords")
# Melihat sebagian isi dari stopword_indo
stopword_indo
## # A tibble: 758 x 1
## stopwords
## <chr>
## 1 ada
## 2 adalah
## 3 adanya
## 4 adapun
## 5 agak
## 6 agaknya
## 7 agar
## 8 akan
## 9 akankah
## 10 akhir
## # … with 748 more rows
Selanjutnya kita akan membuang semua stopwords pada teks dengan menggunakan fungsi anti_join():
# Dari variabel text_cleaned
text_cleaned %>%
# tokenize setiap kalimat menjadi per kata
unnest_tokens(input = text, output = token) %>%
# buang setiap stopword yang ada pada kolom
# token jika terdapat kata yang sama dengan
# yang ada pada variabel stopword_indo
anti_join(stopword_indo, by = c("token" = "stopwords"))
## # A tibble: 55,065 x 1
## token
## <chr>
## 1 dedikasi
## 2 ratna
## 3 sarumpaet
## 4 hancur
## 5 politik
## 6 hoax
## 7 emak2korban02
## 8 suami
## 9 istri
## 10 berhati
## # … with 55,055 more rows
Dapat dilihat bahwa beberapa stopwords sudah dihilangkan walaupun masih terdapat kata seperti ‘yg’, ‘ya’, ‘nih’ dan kata-kata lainnya yang harusnya tidak perlu ada. Hal ini bisa diantisipasi dengan melengkapi korpus yang sudah ada. Misalnya menyimpan korpus tersebut ke dalam file CSV lalu melengkapi korpusnya melalui Excel atau program spreadsheet lainnya yang lebih mudah digunakan.
Selanjutnya kita akan mencoba membuat wordcloud dari teks yang sudah dibersihkan dari stopwords:
# Dari variabel text_cleaned
text_cleaned %>%
# tokenize setiap kalimat menjadi per kata
unnest_tokens(input = text, output = token) %>%
# buang setiap stopword yang ada pada kolom
# token jika terdapat kata yang sama dengan
# yang ada pada variabel stopword_indo
anti_join(stopword_indo, by = c("token" = "stopwords")) %>%
# Hitung frekuensi huruf lalu urutkan dari yang terbesar
count(token, sort = T) %>%
# visualisasikan dalam bentuk wordcloud
wordcloud2(size = 1)
Analisa Jaringan
Masih dengan menggunakan variabel hasil_pencarian2, kita akan mencoba untuk membuat visualisasi sederhana terkait kata kunci ‘politik’. Untuk membangun sebuah graf, hal yang perlu dilakukan adalah menyusun data yang terdiri dari sumber (source), tujuan (target) dan nilai bobot antara sumber dan tujuan. Hal ini bisa dibantu dengan menggunakan fungsi dari librarygraphTweets dan visualisasinya bisa dibantu dengan librarysigmajs7 Untuk mengetahui lebih lanjut fungsi-fungsi pada kedua library ini silahkan kunjungi dokumentasi untuk graphTweetshttp://graphtweets.john-coene.com/ dan dokumentasi untuk sigmajshttp://sigmajs.john-coene.com/.:
# Dari hasil_pencarian2
hasil_pencarian2 %>%
# Buat edge dari screen_name dan mentions_screen_name
gt_edges(screen_name, mentions_screen_name) %>%
# buat node
gt_nodes() %>%
# gabungkan hasilnya menjadi satu lalu masukkan
# ke variabel jaringan_sosial
gt_collect() -> jaringan_sosial
# Dari jaringan_sosial dan variabel nodes
nodes <- jaringan_sosial$nodes %>%
# buat variabel baru terdiri dari
mutate(
# id dengan nilai sama dengan kolom nodes
id = nodes,
# label dengan nilai sama dengan kolom nodes
label = nodes,
# dengan ukuran sentralitas n
size = n
)
# Dari jaringan sosial dan variabel edges
edges <- jaringan_sosial$edges %>%
# buat variabel baru terdiri dari
mutate(
# id dengan nilai terurut dari 1 sampai n
id = 1:n()
)
# Dengan menggunakan sigmajs
sigmajs() %>%
# inisiasi graf
sg_force_start() %>%
# inisiasi nodes
sg_nodes(nodes, id, label, size) %>%
# inisiasi edges
sg_edges(edges, id, source, target) %>%
# beri layout pada graf
sg_layout() %>%
# tentukan cluster pada graf
sg_cluster() %>%
# hentikan animasi
sg_force_stop(10000)
Dapat dilihat dari grafik bahwa terdapat beberapa titik yang memiliki ukuran paling besar. Hal ini dikarenakan titik tersebut memiliki sentralitas tinggi, artinya titik tersebut terhubung dengan banyak titik lainnya. Bisa diartikan bahwa titik tersebut memiliki pengaruh sangat besar dan merupakan pusat dari kelompok tertentu. Namun perlu diperhatikan juga bahwa graf yang dibuat tidak memiliki arah jadi tidak diketahui siapa mempengaruhi siapa8 Untuk mempelajari hal-hal terkait analisa jaringan (Network Analysis) dapat mengunjungi referensi http://rpubs.com/wctucker/302110 dan http://sachaepskamp.com/files/Cookbook.html atau membaca buku karya David Easley dan Jon Kleinberg yang berjudul Networks, Crowds, and Markets..
Materi Tambahan
Streaming Twitter Secara Realtime
Kita bisa melakukan scraping Twitter secara real-time dengan menggunakan fungsi stream_tweets():
# Lakukan scrape secara streaming
stream_tweets(
# untuk keyword politik
q = "politik",
# selama 120 detik
timeout = 120,
# simpan kedalam file bernama 'hasil_streaming.json'
file_name = "hasil_streaming.json",
# jangan di-parsing untuk menghemat resource
parse = FALSE)
## Streaming tweets for 120 seconds...
## Finished streaming tweets!
## streaming data saved as hasil_streaming.json
Kita bisa membaca hasil yang disimpan menggunakan parse_stream():
# Lakukan parsing pada
parse_stream("hasil_streaming.json")
## opening file input connection.
##
Found 81 records...
Imported 81 records. Simplifying...
Studi Kasus: Analisa Sederhana Twitter Kedua Capres 2019
Kita bisa melakukan scrape terhadap timeline seseorang dengan menggunakan get_timeline(). Untuk ini kita akan melakukan scraping pada dua pasangan capres: Joko Widodo(jokowi) dan Prabowo Subianto(prabowo):
Timeline Joko Widodo
# lihat timeline jokowi dan ambil tweet sebanyak 10000
# atau sebanyak-banyaknya
timeline_jokowi <- get_timeline(user = "jokowi", n = 10000)
# lihat isi dari timeline_jokowi
timeline_jokowi
Selanjutnya kita akan menganalisa frekuensi tweet per minggunya:
Frekuensi Tweet Joko Widodo Per Minggu
timeline_jokowi %>%
ts_plot("weeks") +
theme_light() +
labs(
x = "waktu dalam minggu",
y = "frekuensi tweets",
title = "Frekuensi Jumlah Tweet Joko Widodo",
subtitle = "dihitung per minggu",
caption = paste0("Sumber: Twitter, tanggal: ", Sys.Date())
)
Frekuensi Tweet Prabowo Subianto Per Minggu
timeline_prabowo %>%
ts_plot("weeks") +
theme_light() +
labs(
x = "waktu dalam minggu",
y = "frekuensi tweets",
title = "Frekuensi Jumlah Tweet Prabowo Subianto",
subtitle = "dihitung per minggu",
caption = paste0("Sumber: Twitter, tanggal: ", Sys.Date())
)
Selanjutnya kita akan mencari tahu seberapa banyak pengikut (follower) dari masing-masing capres dengan menggunakan fungsi lookup_users() lalu memplot hasilnya menggunakan ggplot2:
# Ambil informasi jokowi
bio_jokowi <- lookup_users("jokowi")
# Ambil informasi prabowo
bio_prabowo <- lookup_users("prabowo")
# Buat vektor jumlah_follower
jumlah_follower <- c(bio_jokowi$followers_count, bio_prabowo$followers_count)
# Buat vektor nama_kandidat
nama_kandidat <- c("Joko Widodo", "Prabowo Subianto")
data_frame(nama_kandidat, jumlah_follower) %>%
ggplot(aes(x = nama_kandidat,
y = jumlah_follower,
fill = nama_kandidat)) +
geom_col() +
geom_text(aes(label = format(jumlah_follower,
big.mark = ",")),
vjust = 1.6, color = "white") +
theme_minimal() +
labs(
x = "Nama Kandidat",
y = "Jumlah Follower",
title = "Jumlah Follower Masing-Masing Capres",
subtitle = paste0("Terhitung, ", Sys.Date()),
caption = "Sumber: Twitter") +
theme(legend.title = element_blank(),legend.position = "none")
## Warning: `data_frame()` is deprecated, use `tibble()`.
## This warning is displayed once per session.
