DETEKSI GEMPA BERDASARKAN DATA TWITTER MENGGUNAKAN DECISION TREE, RANDOM FOREST, DAN SVM

PRASETYO, RENDRA DWI LINGGA (2017) DETEKSI GEMPA BERDASARKAN DATA TWITTER MENGGUNAKAN DECISION TREE, RANDOM FOREST, DAN SVM. Undergraduate thesis, Institut Teknologi Sepuluh Nopember.

[thumbnail of 5111100008-Undergraduate_Theses.pdf]
Preview
Text
5111100008-Undergraduate_Theses.pdf - Published Version

Download (1MB) | Preview

Abstract

Twitter merupakan salah satu media sosial yang cukup populer saat ini. Pengguna aktif Twitter mencapai kurang lebih 400 juta orang. Fitur utama yang paling penting dari Twitter yaitu layanan yang bersifat real-time dimana pengguna dapat menuliskan catatan singkat tentang apa yang terjadi secara langsung. Sebagai contoh, ketika terjadi bencana alam(gempa bumi) di suatu tempat, banyak pengguna aktif twitter menulis informasi berupa (tweet) tentang gempa bumi yang sedang berlangsung melalui Twitter. Hal ini memungkinkan dibuatnya sebuah metode yang mendeteksi terjadinya gempa atau tidak dengan melakukan observasi melalui tweet yang ada.
Dalam tugas akhir ini dibuat sebuah metode klasifikasi untuk membedakan antara tweet yang mengandung informasi gempa yang sesungguhnya (gempa positif) dan tweet yang mengandung informasi gempa namun memiliki arti lain (gempa negatif).
Setelah dilakukan klasifikasi menggunakan Decision Tree, Random Forest dan Support Vector Machine (SVM). Hasil yang didapat memberikan nilai akurasi Support Vector Machine (SVM) secara keseluruhan lebih baik daripada Decision Tree dan Random Forest dengan persentase gempa yang dideteksi oleh sistem (Recall) didapatkan nilai 86.3%.dengan precision sebesar 88.7%. Namun jika dilihat dari terdeteksinya gempa oleh sistem tanpa dirata-rata, Random Forest memiliki persentase recall sebesar 96.7% lebih baik daripada Decision Tree dan Random Forest.
==========================================================================================================
Twitter is one of media social that very popular. On the record twitter active users are 400 billion. The main and the most important feature is real-time quotes, which is user could share short quotes at real time. For example is about earthquake at somewhere, user would be reflect "tweet" regarding that earthquake. There for it is important to have detection and observation method related with real-time quote (example:earthquake).
In this thesis is explained about clarifications method to make differences between real/actual information/tweet (read : positive earthquake) and information/tweet that has other explanation (read : negative earthquake)
The clarification methods are using Decision Tree, Random Forest, and Support Vector Machine (SVM). The result is better value of accurate Support Vector Machine (SVM) than Decision Tree and Random Forest. The percentage of detection system (recall) is 86.3%, but when using precision is increase become 88.7%. But, if we compare earthquake disaster from system that no need to average, Randon Forest has recall percentage 96.7%, that value is better than Decision Tree and Random Forest.

Item Type: Thesis (Undergraduate)
Uncontrolled Keywords: Twitter, deteksi kejadian, gempa, event detection, earthquake.
Subjects: T Technology > T Technology (General)
T Technology > TJ Mechanical engineering and machinery > TJ217.6 Predictive Control
Divisions: Faculty of Information Technology > Informatics Engineering > 55201-(S1) Undergraduate Thesis
Depositing User: - RENDRA DWI LINGGA PRASETYO
Date Deposited: 25 Jan 2017 03:09
Last Modified: 06 Mar 2019 06:42
URI: http://repository.its.ac.id/id/eprint/3149

Actions (login required)

View Item View Item