Deteksi Kejadian Lalu lintas pada Teks Twitter Dengan Pendekataan Multi-Label Berbasis Deep Learning

Luthfi Atikah, Luthfi (2021) Deteksi Kejadian Lalu lintas pada Teks Twitter Dengan Pendekataan Multi-Label Berbasis Deep Learning. Masters thesis, Institut Teknologi Sepuluh Nopember.

[thumbnail of 05111950010003_Master_Thesis.pdf] Text
05111950010003_Master_Thesis.pdf - Accepted Version
Restricted to Repository staff only until 1 October 2023.

Download (1MB) | Request a copy
[thumbnail of 05111950010003_Master_Thesis.pdf] Text
05111950010003_Master_Thesis.pdf
Restricted to Repository staff only

Download (1MB) | Request a copy

Abstract

Media sosial saat ini banyak digunakan sebagai sumber informasi untuk mendeteksi suatu kejadian, salah satunya twitter. Setiap menitnya pengguna twitter dapat saling membagikan informasi terkait kejadian sekitar. Kemacetaan merupakan salah satu informasi yang sering dibagikan di twitter. Kemacetaan sendiri terjadi dikarenakan naiknya volume kendaraan dan dapat merugikan pengguna jalan pada umumnya. Oleh karena, dibutuhkan identifikasi kejadian lalu lintas penyebab terjadinya kemacetaan. Namun dikarenakan banyaknya bahasan pada teks twitter yang bervariasi, maka diperlukannya pengklasifikasian teks twitter untuk mendapatkan informasi yang relevan. Pengguna twitter sendiri cenderung membagikan beberapa informasi sekaligus, sehingga dalam satu tweet dapat memiliki lebih dari satu label. Maka pada penelitian ini diperlukannya penglasifikasian multi-label. Klasifikasi multi-label pada penelitian ini dengan memanfaatkan 18.000 data dari akun twitter terverifikasi di Surabaya. Identifikasi lalu lintas dilakukan pada lima kelas yaitu kondisi cuaca, kecelakaan lalu lintas, kemacetan lalu lintas, lalu lintas padat, dan lalu lintas lancar. Klasifikasi dilakukan dengan menggunakan deep learning (CNN dan LSTM) dan word embedding (word2vec dan fastText). Uji coba dilakukan dengan augmentasi dan non-augmentasi data. Eksperimen dilakukan dengan 3 skenario berbeda, skenario tersebut untuk melihat pengaruh data uji yang berbeda pada data latih yang sama. Selanjutnya dilakukan eksperimen untuk menguji pengaruh jumlah label terhadap klasifikasi multi-label pada data uji yang sama. Akurasi tertinggi pada non-augmentasi data adalah 0,87 dan pada augmentasi data adalah 0,95. Dari keseluruhan ujicoba akurasi tertinggi diperoleh dari kombinasi LSTM dan fastText.

Item Type: Thesis (Masters)
Uncontrolled Keywords: Deep Learning, Deteksi Kejadian Lalu Lintas, Klasifikasi Teks Multi-Label.
Subjects: T Technology > T Technology (General) > T57.5 Data Processing
Divisions: Faculty of Intelligent Electrical and Informatics Technology (ELECTICS) > Electrical Engineering > 20101-(S2) Master Thesis
Depositing User: Luthfi Atikah
Date Deposited: 14 Aug 2021 06:21
Last Modified: 14 Aug 2021 06:21
URI: http://repository.its.ac.id/id/eprint/86292

Actions (login required)

View Item View Item