Sistem Informasi Monitoring Bencana Alam Menggunakan Data Media Sosial Dengan Algoritma NaÏve Bayes
DOI:
https://doi.org/10.34818/eoe.v8i6.17086Abstrak
Bencana alam yang telah terjadi di Indonesia cukup banyak, diantaranya gempa bumi, tsunami, longsor, banjir, dan lainlain. Penyebab terjadinya potensi kejadian bencana alam ini karena Indonesia terletak di pertemuan lempeng – lempeng Eurasia, Pasifik, dan Indo-Australia. Inforrmasi yang di dapat pada social media sangat cepat berkembang dan lebih efektif. Saat terjadinya bencana seperti banjir, social media bekerja untuk menginfokan kepada pengguna dimana terjadinya bencana tersebut. Dalam makalah ini kami menggunakan Twitter sebagai tempat pencarian data. Twitter telah berhasil digunakan sebagai layanan darurat untuk menginformasikan kepada publik tentang perkembangan saat ini. Untuk mendapatkan informasi kita bisa mencari dengan hashtag yang relevan agar bisa mengetahui dimana kejadian tersebut. Hasil dari pengujian ini akan ditampilkannya peta wilayah Indonesia dan titik terjadinya bencana diambil berdasarkan geolocation pada data tweet. Proses klasifikasi akan menggunakan metode Naïve Bayes. Proses pengelompokan ini dilakukan di masing-masing wilayah yang ada di Indonesia dengan realtime. Pada penelitian ini mendapatkan nilai akurasi sebesar 75% berdasarkan nilai fold 3 pada pengujian kfold cross validation. Kata Kunci: Bencana Alam, Twitter, Naïve BayesReferensi
[1] K. L.Sumathy and M. Chidambaram, "Text Mining: Concepts, Applications, Tools and Issues An
Overview", International Journal of Computer Applications, vol. 80, no. 4, pp. 29-32, 2013. Available:
10.5120/13851-1685 [Accessed 23 August 2021].
[2] S. Dang, "Text Mining : Techniques and its Application", IJETI International Journal of Engineering & Technology
Innovations, vol. 1, p. 22, 2014. Available:
https://www.researchgate.net/publication/273038150_Text_Mining_Techniques_and_its_Application. [Accessed 23
August 2021].
[3] Kurniawan, B., Fauzi, M., & Widodo, A. Klasifikasi Berita Twitter Menggunakan Metode Improved Naïve Bayes.
Jurnal Pengembangan Teknologi Informasi dan Ilmu Komputer, vol. 1, no. 10, p. 1193-1200, juli 2017. ISSN 2548-
964X. Tersedia pada: <https://j-ptiik.ub.ac.id/index.php/j-ptiik/article/view/361>. Tanggal Akses: 09 agu. 2021
[4] M. Allahyari et al., "A Brief Survey of Text Mining: Classification, Clustering and Extraction Techniques", arXiv.org,
2021. [Online]. Available: https://arxiv.org/abs/1707.02919v2. [Accessed: 23- Aug- 2021].
[5] A.Indriani.Klasifikasidataforumdenganmenggunakanmetodenaa ÃÉ ÃÑvebayesclassifier.InSeminarNasional
Aplikasi Teknologi Informasi (SNATI), volume 1, 2014. [6] Reddy, T. A. J dan P. S. Reddy. “Outcome Based
Education—Some Initiatives”. Open Journal of Social Sciences. 02(10):7-11. 2014.
[6] QAULI ADZKIA, Klasifikasi Status Kemacetan Menggunakan Naive Bayes Classification (Studi Kasus di
Persimpangan Buah Batu Kota Bandung), 2020
[7] SRIVIDYA, Kotagiri; SOWJANYA, A. Mary. Aspect based sentiment analysis using pos tagging and tfidf.
International Journal of Engineering and Advanced Technology (IJEAT), 2019, 8.
[8] S. Kim and J. Gil, "Research paper classification systems based on TF-IDF and LDA schemes", Human-centric
Computing and Information Sciences, vol. 9, no. 1, 2019. Available: 10.1186/s13673-019-0192-7 [Accessed 23 August
2021].
[9] C. Liu, Y. Sheng, Z. Wei and Y. Yang, "Research of Text Classification Based on Improved TF-IDF Algorithm," 2018
IEEE International Conference of Intelligent Robotic and Control Engineering (IRCE), 2018, pp. 218-222, doi:
10.1109/IRCE.2018.8492945



