Nurfarida, Riska Dewi (2018) Klasifikasi Kemacetan Lalu Lintas Di Kota Malang Pada Sosial Media Twitter Menggunakan Metode Improved K-Nearest Neighbor. Sarjana thesis, Universitas Brawijaya.
Abstract
Twitter merupakan layanan jejaring sosial yang diminati banyak pengguna internet yang digunakan sebagai media komunikasi dan juga mendapatkan informasi. Banyak informasi yang bisa didapatkan dari Twitter yaitu berupa pertanyaan, opini atau komentar yang bersifat postitif maupun negatif. Dengan perkembangan teknologi tersebut masyarakat Kota Malang dapat mencari informasi bahkan bertukar informasi mengenai keadaan lalu lintas di Kota Malang melalui sosial media Twitter. Seperti yang terdapat pada akun Twitter @PuspitaFM, kita dapat mendapatkan informasi atau bertukar informasi mengenai keadaan lalu lintas yang ada di Kota Malang. Namun terdapat kerancuan dalam menentukan kategori manakah tweet tersebut, apakah tweet tersebut masuk kategori macet atau masuk kategori tidak macet. Sehingga, pada penelitian ini akan mengklasifikasikan kategori kemacetan lalu lintas berdasarkan pada tweet yang diharapkan dapat mempermudah dalam menentukan kategori kemacetan lalu lintas pada twitter. Untuk melakukan proses klasifikasi ini dilakukan beberapa proses yaitu dimulai dengan proses prepocessing text yang terdiri dari beberapa tahapan-tahapa, yaitu cleansing, case folding, tokenisasi, filtering dan stemming. Kemudian dilanjutkan dengan proses pembobotan (term weighting), normalisasi, cosine similiarity hingga proses klasifikasi yang mana digunakan metode Improved K-Nearest Neighbor. Hasil yang didapatkan dari pross klasifikasi tersebut didapatkan yaitu recall sebesar 0.42857, precision sebesar 0.71428, f-measure sebesar 0.53571 dan hasil akurasi sebesar 65.33%. Jumlah data latih yang digunakan adalah 600 dokumen dan data uji yang digunakan adalah 150 dokumen.
English Abstract
Twitter is a social networking service that many internet users are interested in that is used as a communication medium and also gets information. A lot of information can be obtained from Twitter, in the form of positive or negative questions, opinions or comments. With the development of these technologies, the people of Malang City can seek information and even exchange information about the traffic conditions in Malang City through Twitter social media. As found on the @PuspitaFM Twitter account, we can get information or exchange information about the traffic conditions in Malang City. But there is confusion in determining which category the tweet is, whether the tweet is categorized as a traffic jam or in the non-jammed category. So, in this study we will classify traffic congestion categories based on tweets which are expected to make it easier to determine the category of traffic jams on twitter. To carry out this classification process several processes are carried out, namely starting with the prepocessing text process which consists of several stages, namely cleansing, case folding, tokenisation, filtering and stemming. Then proceed with the weighting process (term weighting), normalization, cosine similiarity to the classification process which is used the Improved K-Nearest Neighbor method. The results obtained from the classification process are obtained, namely recall of 0.42857, precision of 0.71428, f-measure of 0.53571 and accuracy of 65.33%. The amount of training data used is 600 documents and the test data used is 150 documents.
| Item Type: | Thesis (Sarjana) |
|---|---|
| Identification Number: | SKR/FTIK/2018/833/051811214 |
| Uncontrolled Keywords: | Information Retrieval, Twitter, Traffic congestion, Improved K-Neares Neighbor |
| Subjects: | 300 Social sciences > 302 Social interaction > 302.3 Social interaction within groups > 302.302 85 Computer aplications |
| Divisions: | Fakultas Ilmu Komputer > Teknik Informatika |
| Depositing User: | Budi Wahyono Wahyono |
| Date Deposited: | 02 Apr 2019 02:39 |
| Last Modified: | 22 Oct 2021 07:18 |
| URI: | http://repository.ub.ac.id/id/eprint/14108 |
Preview |
Text
Riska Dewi Nurfarida.pdf Download (7MB) | Preview |
Actions (login required)
 |
View Item |