Perpustakaan Digital ITB

Twitter telah banyak digunakan sebagai alat komunikasi untuk tanggap darurat ketika terjadi bencana di berbagai Negara. Tim tanggap darurat atau peneliti menggunakan hashtag untuk pencarian bencana darurat. Penggunaan hashtag bencana khususnya twitter belum memiliki format standar, hal ini menyulitkan pencarian dan pengumpulan data untuk tanggap darurat. OCHA (Office for Coordination of Humanitarian Affairs) mengusulkan untuk melakukan standarisasi hashtag untuk tanggap darurat. Penelitian ini mengusulkan untuk melakukan pembangkitan hashtag bencana otomatis sesuai dengan standar OCHA. 2.685 tweet dilakukan praproses sehingga didapatkan 1.309 tweet dataset bersih. Penelitian menggunakan metode representasi kata dengan model Skip Gram dan filter SMOTE untuk penanganan dataset imbalanced. Selanjutnya dilakukan klasifikasi tweet kedalam kategori darurat, non darurat, dan other dengan menggunakan berbagai classifier yaitu Naïve Bayes, Support Vector Machine, Instance-Based Learning, dan Logistic Regression. Data dengan kategori darurat dan non darurat digunakan untuk pengenalan entitas nama bencana dan lokasi bencana. Dari 257 tweet yang relevan, dilakukan tokenisasi dan pelabelan dengan standar BIO. Sebanyak 3.856 token menjadi input untuk pengenalan entitas bernama menggunakan model Conditional Random Field (CRF). Selanjutnya dilakukan pembangkitan hashtag otomatis menggunakan hasil dari klasifikasi dan pengenalan entitas bernama. Hasil penelitian menunjukkan penggunaan model skip gram dapat meningkatkan akurasi. Rata-rata akurasi tertinggi sebesar 83.9695 % didapatkan dengan menggunakan instance based learning dengan k 15. Pengenalan entitas bernama dengan recall 70.3%, precision 89.4% dan f-measure 77.1%. Pembangkitan hashtag otomatis mendapatkan hasil yang cukup baik dengan rata-rata recall 61.2%, precision 87.4% dan f-measure 66.9%.