Awwab, Yasin (2019) Ekstraksi Informasi Media Sosial Twitter Mengenai Kecelakaan Lalu Lintas Menggunakan Pendekatan Ontology-Based Information Extraction. Other thesis, Institut Teknologi Sepuluh Nopember.
Preview |
Text
05211540000127_Undergraduate_Thesis.pdf Download (3MB) | Preview |
Abstract
Kecelakaan lalu lintas menjadi salah satu kejadian yang sering terjadi di Indonesia. Dari data yang dihimpun KORLANTAS POLRI diketahui setiap 3 bulan terdapat sekitar 25.000 kecelakaan lalu lintas. Informasi mengenai kecelakaan lalu lintas banyak dibagikan oleh pengguna media sosial termasuk Twitter. Twitter memiliki berbagai informasi mengenai kecelakaan lalu lintas. Namun, informasi yang berada di Twitter tersebut belum terdapat pengolahan dan pemetaan mengenai informasi tersebut. Oleh sebab itu, penelitian ini bertujuan untuk mengolah dan memetakan informasi mengenai kecelakaan lalu lintas yang terdapat di Twitter sehingga dapat memberikan manfaat bagi masyarakat maupun menjadi masukan dalam pengembangan terkait lalu lintas di Indonesia. Metode yang dalam penelitian ini menggunakan domain ontologi dan Named-Entity Recognition untuk proses ekstraksi data. Metode Named-Entity Recognition digunakan untuk mendapatkan kata kunci dari sebuah tweet berdasarkan kategori kelasnya seperti aktor, waktu, lokasi, dan keterangan penyebab kecelakaan tersebut. Penelitian ini menghasilkan model Named Entity Recognition yang dapat menghasilkan tingkat akurasi yang cukup akurat, serta penggunaan Ontologi mampu mengkategorikan penyebab kecelakaan lalu lintas. Nilai akurasi yang didapatkan oleh model Actor memiliki precision sebesar 99,31%, recall sebesar 98,56%, dan F1 score sebesar 98,93%. Untuk model Location memiliki precision sebesar 99,54%, recall sebesar 98,37%, dan F1 score sebesar 98,95%. Untuk model Keterangan memiliki precision sebesar 99,83%, recall sebesar 90,58%, dan F1 score sebesar 94,98%. Untuk model Time memiliki precision sebesar 100%, recall sebesar 100%, dan F1 score sebesar 100%.
=================================================================================================================================
Traffic accidents are one of the most common occurrences in Indonesia. From the data collected by KORLANTAS POLRI, it’s known that every 3 months there are around 25,000 traffic accidents. Information about traffic accidents is shared by many social media users including Twitter. Twitter has various information about traffic accidents. However, the information on Twitter has not yet been processed and mapped about the information. Therefore, this study aims to process and map information about traffic accidents found on Twitter so it can be provide more benefits to the community as well as become the input in the development related to traffic in Indonesia. The method in this study uses the ontology domain and NamedEntity Recognition for data extraction processes. The NamedEntity Recognition method is used to get keywords from a tweet based on class categories such as actors, time, location, and information about the causes of the accident. This study produced a model based on the Named Entity Recognition method that can produce a fairly accurate level of accuracy, and the use of Ontology is able to categorize the causes of traffic accidents. The accuracy value obtained by the Actor model has a precision of 99.31%, a recall of 98.56%, and an F1 score of 98.93%. For Model Location has a precision of 99.54%, a recall of 98.37%, and an F1 score of 98.95%. For the model information has a precision of 99.83%, a recall of 90.58%, and an F1 score of 94.98%. The Time model has a precision of 100%, a recall of 100%, and an F1 score of 100%
| Item Type: | Thesis (Other) |
|---|---|
| Additional Information: | RSSI 006.7 Aww e-1 2019 |
| Uncontrolled Keywords: | Semantic Web, Ontology, Named Entity Recognition, Twitter, Traffic Accidents |
| Subjects: | T Technology > T Technology (General) > T57.5 Data Processing |
| Divisions: | Faculty of Information and Communication Technology > Information Systems > 57201-(S1) Undergraduate Thesis |
| Depositing User: | Yasin Awwab |
| Date Deposited: | 15 May 2024 04:04 |
| Last Modified: | 15 May 2024 04:04 |
| URI: | http://repository.its.ac.id/id/eprint/64613 |
Actions (login required)
 |
View Item |