KLASIFIKASI TWEET DAN PENGENALAN ENTITAS BERNAMA PADA TWEET BENCANA DENGAN SUPPORT VECTOR MACHINE

Penulis

Rizki Dermawan

Pembimbing: Edi Winarko, Drs., M.Sc.,Ph.D.


ABSTRACT: Indonesia is a country that is often affected by disaster. When there is a disaster in an area, many users of social media, especially Twitter users, provide information related to the disaster. The information provided can be the location of a disaster, the conditions of an area, or the needs of the people in the disaster area. Such information can be used for mapping the event of disaster or mapping needs of the community in the event of a disaster. However, social media has low credibility as an information provider. Moreover, unstructured of data on social media will make data collection of location, condition, and needs of the community becomes difficult. In this research, system that can classify whether a tweet related to the disaster or not has been built. If the tweet is related to the disaster, the named entity is recognized so the location of disaster, a condition of the area, and the need of community is known. Tweet classification system and named entity recognition system built by supervised learning. Supervised learning algorithm that is used is a support vector machine. In the classification of the tweet, two methods of weighting tf and tf - idf has been tried. In this study, tf-idf is better than tf with an average accuracy of 78%. In the named entity recognition system, two methods of segmentation entities BIO and BILOU is compared. In this study, BIO segmentation method is better than BILOU with F1 Score 86%.

INTISARI: Indonesia termasuk negera yang sering terkena bencana. Ketika terjadi sebuah bencana pada suatu daerah, banyak pengguna media sosial, khususnya pengguna Twitter, memberikan informasi terkait bencana. Informasi yang diberikan dapat berupa lokasi terjadinya suatu bencana, kondisi dari suatu daerah, ataupun kebutuhan dari masyarakat pada daerah bencana. Informasi tersebut dapat dimanfaatkan untuk pemetaan kejadian bencana atau pemetaan kebutuhan masyarakat ketika terjadi suatu bencana. Akan tetapi, media sosial memiliki kredibilitas yang rendah sebagai penyedia informasi. Selain itu, tidak terstrukturnya data pada media sosial membuat pendataan akan lokasi, kondisi, dan kebutuhan masyarakat menjadi sulit. Pada penelitian ini, dibangun sistem yang dapat mengklasifikasi apakah suatu tweet terkait bencana atau tidak. Jika tweet tersebut terkait dengan bencana, dilakukan pengenalan entitas terhadap tweet tersebut sehingga dapat diketahui lokasi yang dibicarakan, kondisi yang terjadi, dan kebutuhan masyarakat pada daerah bencana. Sistem pengklasfikasian tweet dan sistem pengenalan entitas bernama dibangun dengan supervised learning. Algoritma supervised learning yang digunakan adalah support vector machine. Pada pengklasifkasian tweet, dicoba dua metode pembobotan yakni tf dan tf-idf . Pada penelitian ini, tf-idf unggul dari tf dengan rata-rata akurasi 78%. Sedangkan pada sistem pengenalan entitas bernama, dibandingan dua metode segmentasi entitas yakni BIO dan BILOU. Pada penelitian ini metode segmentasi BIO lebih unggul dibanding BILOU dengan F 1 Score 86%.

Kata kunci support vector machine, pengenalan entitas bernama, sosial media, bencana, named entity recognition, social media, disaster
Program Studi S1 ILMU KOMPUTER UGM
No Inventaris
Deskripsi
Bahasa Indonesia
Jenis Skripsi
Penerbit [Yogyakarta] : Universitas Gadjah Mada, 2016
Lokasi Perpustakaan Pusat UGM
File Tulisan Lengkap dapat Dibaca di Ruang Tesis/Disertasi
  • Anda dapat mengecek ketersediaan versi cetak dari penelitian ini melalui petugas kami dengan mencatat nomor inventaris di atas (apabila ada)
  • Ketentuan Layanan:
    1. Pemustaka diperkenankan mengkopi cover, abstrak, daftar isi, bab pendahuluan, bab penutup/ kesimpulan, daftar pusatak
    2. Tidak diperbolehkan mengkopi Bab Tinjauan Pustaka, Bab Pembahasan dan Lampiran (data perusahaan/ lembaga tempat penelitian)
    3. Mengisi surat pernyataan, menyertakakan FC kartu identitas yang berlaku

<< kembali