Deteksi Gempa Berdasarkan Data Twitter Menggunakan Decision Tree, Random Forest, dan SVM

Rendra Dwi Lingga P., Chastine Fatichah, Diana Purwitasari
Submission Date: 2017-01-24 12:54:51
Accepted Date: 2017-03-17 10:12:41

Abstract


Twitter merupakan salah satu media sosial yang cukup populer saat ini. Pengguna aktif Twitter mencapai kurang lebih 400 juta orang. Fitur utama yang paling penting dari Twitter yaitu layanan yang bersifat real-time dimana pengguna dapat menuliskan catatan singkat tentang apa yang terjadi secara langsung. Sebagai contoh, ketika terjadi bencana alam(gempa bumi) di suatu tempat, banyak pengguna aktif twitter menulis informasi berupa (tweet) tentang gempa bumi yang sedang berlangsung melalui Twitter. Hal ini memungkinkan dibuatnya sebuah metode yang mendeteksi terjadinya gempa atau tidak dengan melakukan observasi melalui tweet yang ada.

Dalam tugas akhir ini dibuat sebuah metode klasifikasi untuk membedakan antara tweet yang mengandung informasi gempa  yang sesungguhnya (gempa positif) dan tweet yang mengandung informasi gempa namun memiliki arti lain (gempa negatif).

Setelah dilakukan klasifikasi menggunakan Decision Tree, Random Forest dan Support Vector Machine (SVM). Hasil yang didapat memberikan nilai akurasi Support Vector Machine (SVM) secara keseluruhan lebih baik daripada Decision Tree dan Random Forest dengan persentase gempa yang dideteksi oleh sistem (Recall) didapatkan nilai 86.3%.dengan precision sebesar 88.7%. Namun jika dilihat dari terdeteksinya gempa oleh sistem tanpa dirata-rata, Random Forest memiliki persentase recall sebesar 96.7% lebih baik daripada Decision Tree dan Random Forest.

 


Keywords


twitter; deteksi kejadian; gempa

References


Twitter, "What is Twitter | About," 2014. [Online]. Available: https://about.twitter.com/what-is-twitter.

Geoscience Australia, "What is an Earthquake?," 2013. [Online]. Available: http://www.ga.gov.au/scientific-topics/hazards/earthquake/basics/what.

Albaqir. Haidar M, “Aplikasi Deteksi Lokasi Gempa dan Peringatan Dini Berdasarkan Data Twitter menggunakan Random Forest dan Partikel Filter.” 2015.

A. S. Nugroho, "Support Vector Machine, Teori dan Aplikasinya dalam Bioinformatika," IlmuKomputer.com, 2003.

L. Breiman, "Random Forests," Machine Learning, 2001.

S.Sayad, “Decision Tree Classification,”. [Online].

Available: http://www.saedsayad.com/decision_tree.htm

T. Cheese, "Random Forest | Kaggle," 5 11 2014. [Online]. Available: https://www.kaggle.com/wiki/RandomForests.


Full Text: PDF

CC Licencing


Authors who publish with this journal agree to the following terms:
- Authors retain copyright and grant the journal right of first publication with the work simultaneously licensed under a Creative Commons Attribution License that allows others to share the work with an acknowledgement of the work's authorship and initial publication in this journal.
- Authors are able to enter into separate, additional contractual arrangements for the non-exclusive distribution of the journal's published version of the work (e.g., post it to an institutional repository or publish it in a book), with an acknowledgement of its initial publication in this journal.
- Authors are permitted and encouraged to post their work online (e.g., in institutional repositories or on their website) prior to and during the submission process, as it can lead to productive exchanges, as well as earlier and greater citation of published work (See The Effect of Open Access).

Refbacks

  • There are currently no refbacks.


Lembaga Penjaminan Mutu, Pengelolaan dan Perlindungan Kekayaan Intelektual (LPMP2KI) ITS
Creative Commons License
This work is licensed under a Creative Commons Attribution-ShareAlike 4.0 International License.