Ekstraksi Informasi Menggunakan Kombinasi Metode NeuroNER, Neural Relation Extraction, dan FASM pada Deteksi Kejadian dari Data Stream Twitter

Putra, Fatra Nonggala (2018) Ekstraksi Informasi Menggunakan Kombinasi Metode NeuroNER, Neural Relation Extraction, dan FASM pada Deteksi Kejadian dari Data Stream Twitter. Masters thesis, Institute Teknologi Sepuluh Nopember.

[thumbnail of 5116201057-Masters_Thesis.pdf]
Preview
Text
5116201057-Masters_Thesis.pdf - Accepted Version

Download (1MB) | Preview

Abstract

Pemanfaatan twitter untuk deteksi kejadian bencana alam dan lalu-lintas telah dibahas dalam banyak penelitian yang sudah ada. Banyak Informasi yang dibagikan oleh pengguna Twitter dari akun individu maupun akun milik lembaga pemerintahan dan media yang berupa tweet informasi kejadian penting yang diperlukan oleh masyarakat. Dengan memanfaatkan API Twitter pengguna bisa mendapatkan data postingan Twitter secara bebas dan gratis berdasarkan kata kunci, id pengguna, dan geo-location yang diinginkan.
Dalam penelitian ini digunakan gabungan metode NeuroNER, NeuralRE, dan FASM untuk deteksi kejadian dengan melakukan ekstraksi informasi pada data stream Twitter. Beberapa tahap penelitian dilakukan untuk mendapatkan hasil yang optimal. Pertama, tahap pengambilan data dan prapemrosesan. Kedua, informasi kejadian haruslah memiliki entitas lokasi yang valid. Untuk itu digunakan metode neuro named entity recognition (NeuroNER) untuk mengenali entitas bernama khususnya entitas lokasi pada data tweet. Ketiga, melakukan klasifikasi jenis kejadian kedalam empat kategori kejadian; non-informasi kejadian, bencana alam, lalu-lintas, dan kebakaran dengan menggunakan algoritma klasifikasi recurrent convolutional neural network (RCNN). Keempat, dilakukan proses ekstraksi relasi dengan NeuralRE untuk mendapatkan relasi antar entitas bernama. Kelima, standarisasi nama lokasi, geocoding, dan visualisasi data ke dalam peta digital.
Penelitian menguji gabungan metode yang disusulkan secara parsial maupun keseleruhan. Gabungan metode yang diusulkan bekerja dengan baik untuk melalukan ekstraksi informasi mulai dari tahap streaming data hingga visualisasi data. Hal ini ditunjukkan dengan nilai rata-rata perhitungan precision, recall, dan f-measure secara keseluruhan masing-masing 94,28%, 94,16%, dan 94,22%.
===================================================================================================
Utilization of twitter for the detection of natural disaster and traffic incidents has been discussed in many existing studies. Lots of Information about important incidents shared by Twitter users from personal, government agencies’, and media account are useful for the community. By utilizing Twitter API, users can get Twitter data for free based on keywords, user ids, or geo-locations as desired. We proposed combination of NeuroNER, NeuralRE, and FASM as incident detection method by extracting information from Twitter data stream. Our proposed method consists of five main steps. The first step is data retrieval and preprocessing. The second step is entity location recognition using Neuro Named Entity Recognition (NeuroNER) method to detect valid location of the incidents. The third step is event type classification using Recurrent Classification Algorithms Convolutional Neural Network (RCNN). The events are classified into four categories: non-information, natural disasters, traffic, and fire. The fourth step is entity relations extraction process using NeuralRE to identify relationships between named entities. The final step is standardization of the location name, geocoding, and data visualization onto digital map.
This study examines combinations of some steps and the entire steps of proposed method. The proposed method works well enough in extracting information from streaming data step to data visualization with the average value of precision, recall, and f-measure 94,28%, 94,16%, and 94,22% respectively.

Item Type: Thesis (Masters)
Uncontrolled Keywords: Ekstraksi Informasi, Deteksi Kejadian, NeuroNER, NeuralRE, Social Media
Subjects: T Technology > T Technology (General) > T57.5 Data Processing
Divisions: Faculty of Information Technology > Informatics Engineering > 55101-(S2) Master Thesis
Depositing User: FATRA NONGGALA PUTRA
Date Deposited: 02 Aug 2021 21:44
Last Modified: 02 Aug 2021 21:44
URI: http://repository.its.ac.id/id/eprint/57797

Actions (login required)

View Item View Item