Klasifikasi Kemacetan Lalu Lintas Di Kota Malang Pada Sosial Media Twitter Menggunakan Metode Improved K-Nearest Neighbor
| Main Author: | Nurfarida, Riska Dewi |
|---|---|
| Format: | Thesis NonPeerReviewed Book |
| Bahasa: | eng |
| Terbitan: |
, 2018
|
| Subjects: | |
| Online Access: |
http://repository.ub.ac.id/14108/1/Riska%20Dewi%20Nurfarida.pdf http://repository.ub.ac.id/14108/ |
Daftar Isi:
- 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.