EVENT DETECTIONPADA MICROBLOGGING TWITTER DENGAN ALGORITMA DBSCAN(STUDI KASUS: BANJIR)
Twitter merupakan sebuah situs microblogging yang populer dibandingkan dengan situs microblogging lainnya. Twitter mampu mengirimkan pesan pendek 140 karakter. Isi dari pesan yang dikirim atau dinamakan tweet umumnya berisi laporan mengenai kejadian sehari-hari. Pada skripsi ini, penulis memfokuskan...
Saved in:
| Main Author: | |
|---|---|
| Format: | Book |
| Published: |
2013-08-20.
|
| Subjects: | |
| Online Access: | Link Metadata |
| Tags: |
Add Tag
No Tags, Be the first to tag this record!
|
| Summary: | Twitter merupakan sebuah situs microblogging yang populer dibandingkan dengan situs microblogging lainnya. Twitter mampu mengirimkan pesan pendek 140 karakter. Isi dari pesan yang dikirim atau dinamakan tweet umumnya berisi laporan mengenai kejadian sehari-hari. Pada skripsi ini, penulis memfokuskan penelitian untuk mendeteksi adanya banjir melalui Twitter. Teknik yang dapat digunakan untuk memanfaatkan hal tersebut salah satunya dengan teknik clustering. Clustering dapat mengelompokan tweet yang memiliki kemiripan isi ke dalam kelompok-kelompok. Metode pengelompokan tweet yang digunakan yaitu metode Density-based Clustering dengan Algoritma DBSCAN. Metode Density-based Clustering melakukan pengelompokkan berdasarkan tingkat kepadatan dari suatu tweet. Cluster akan dipisahkan berdasarkan area yang memiliki kepadatan tinggi dengan area yang memiliki kepadatan rendah. Setiap cluster merepresentasikan satu event. Dari setiap event yang terdeteksi diambil informasi mengenai lokasi banjir dan deskripsi banjir tersebut menggunakan Named Entity Recognition (NER). Deteksi event menggunakan algoritma DBSCAN memberikan hasil yang baik, terbukti dengan nilai evaluasi cluster yang besar (0.86) dari data sebanyak 5354 tweet dengan jumlah event yang terdeteksi sebanyak 24 event. Kata Kunci : Event Detection, Clustering, DBSCAN, Twitter, Named Entitiy Recognition Twitter is the popular microblogging site's than others. Twitter allows user to send short messages contains 140 characters. The Twitter post, called tweets, typically contains about real-life events. In this paper, the authors focus on the study to detect flooding through Twitter. The technique can be used is clustering. Clustering can group tweets that have similar contents into groups. The authors uses Density-based Clustering with DBSCAN algorithm to group tweets. Density-based clustering methods perform clustering based on the density of a tweet. Clusters are separated by areas that have a high density area with a low density. Each cluster represents a single event. Each of detected event, extract information about the location and description of the flood using Named Entity Recognition (NER). Event detection using DBSCAN gives good results as evidenced by the large cluster evaluation value (0.86) of 5354 tweets with 24 number of events detected. Keywords: Event Detection, Clustering, DBSCAN, Twitter, Named Entitiy Recognition |
|---|---|
| Item Description: | http://repository.upi.edu/393/1/S_KOM_0907646_TITLE.pdf http://repository.upi.edu/393/2/S_KOM_0907646_ABSTRACT.pdf http://repository.upi.edu/393/3/S_KOM_0907646_TABLE%20OF%20CONTENT.pdf http://repository.upi.edu/393/4/S_KOM_0907646_CHAPTER1.pdf http://repository.upi.edu/393/5/S_KOM_0907646_CHAPTER2.pdf http://repository.upi.edu/393/6/S_KOM_0907646_CHAPTER3.pdf http://repository.upi.edu/393/7/S_KOM_0907646_CHAPTER4.pdf http://repository.upi.edu/393/8/S_KOM_0907646_CHAPTER5.pdf http://repository.upi.edu/393/9/S_KOM_0907646_BIBLIOGRAPHY.pdf http://repository.upi.edu/393/10/S_KOM_0907646_APPENDIX.pdf |